長久以來，我都在尋找那「一本完整的書」。一本能清晰而全面地介紹電腦科學核心概念的著作。一本不是只是網頁拼貼式的學習資源，而是有架構、有邏輯、有上下文脈絡的教材。對於像我這樣重視理解與結構的人來說，這不僅是習慣，更是一種學習信仰。
然而，隨著時間推進，即使是在資訊發展成熟的電腦科學領域，我也逐漸體會到——那一本完美的書，也許並不存在。或者說，它存在於無數材料之間，而我們需要自己去編織那一張屬於自己的知識地圖。
我起初找到一份標題為《Computer Science in 60 Days》的網路清單，從「什麼是電腦科學」開始，到「機器學習」、「系統設計」、「版本控制」等，整整列了 60 個主題，形式上頗像是一本壓縮成行事曆的教科書。
但我馬上提出了一個問題：
這 60 天的主題是否每一項都值得投入時間？是否有重複、低效或過度理論化的內容？
這不是懷疑內容的價值，而是試圖以目標導向與時間報酬比來進行重新排序。這時，大語言模型（如 ChatGPT）發揮了作用：我與它對話、質疑、澄清、刪選，進行一場以自己為核心的知識工程設計。
經過幾輪來回，我將 60 項主題濃縮為實戰導向的 40 項重點主題，並分為五大模組：
每一模組下，我再請模型列出每日 6～10 項學習重點，幫助我事先理解「這一天到底要掌握什麼」。
例如 Day 1: Binary & Number Systems，就涵蓋：
透過這種方式，我不只得到了「要學什麼」，而且得到了「如何學」的分解方法與建議練習。這比只是翻書或看影片更具可操作性。
我要強調的是：這種做法並不是否定讀書的重要性。相反，我依然相信「書籍要讀，結構不能丟」。
但透過與大語言模型互動，我獲得了一種新的流程：
這是我目前最推薦的方式：
讓大語言模型成為你的知識架構師、筆記助手與學習反饋器。
從一份普通的清單出發，透過對話、刪減、展開、深化，我建立了自己的電腦科學學習路線圖，並讓每一天的學習都有上下文與目的。
這樣的流程，可以複製到任何領域——AI、經濟學、設計、語言學、甚至文學。你不再只是等待一位好老師或一本完美的書，而是能自己出發、自己提問、自己建立知識脈絡。
未來的學習模式，可能不是某種新的教材形式，而是這樣一種模式的轉變：
知識不再從外而來，而是由你引出；學習不是被動攝取，而是主動建構。