前端三年后，我辞职去韩国读了个CS硕士

用AI加速理解：GPT让学习从'独自爬山'变成'有人实时帮你看地图'，但路还得自己走。缩短从看不懂到看懂的时间，剩下精力去验证、实践。

写作的复利：当讲师这事让我更信长期主义。输出不是副业，是积累。在异国，作品能越过语言和社交圈直接证明你能做什么。

面对不确定性的底气：学校里很多项目不像前端那样立刻见结果。数据链路跑不通，结果不可解释，你要学会拆解问题，一步步复现，即使暂时没有漂亮结论，也能推下去。这种能力让我对陌生领域不再那么慌。

失：我付出的代价

但代价也实实在在。

• 松弛感：休息有负罪感。后来才学会松弛不是懒，是为了有能力持续投入。但在那种氛围里，做到很难。
• 社交与生活连续性：距离和节奏打乱了之前的稳定关系，虽然更独立了，但孤独是真的。
• 熟悉领域的掌控感：从熟手变回学生，概念、方法都陌生，那种焦虑逼着你成长，但也难受。
• 写作节奏被打乱：高强度学习挤压了创作精力，有时候写不动。但反过来，这段经历给了我更扎实的素材，不是为更新而更新。

期末周：高强度的交付战

真正感到累的是期末周。不是学不会，是交付型疲惫——考试、报告、实验全堆在一起。以大数据系统课为例，作业拆成Part0到Part4：从环境验证、数据加载、基础指标分析到专题分析，最花时间的部分权重最高。那不是写总结，是强约束的短周期交付。

那几天，白天复习，晚上写报告，连续三天写到凌晨3点。看着文档从几十页涨到近百页，提交后并没有狂喜，而是一片空白。走出自习室天快亮了，只想睡觉。

前端经验的复用

前端三年给我的不是框架，是工程师基本功：拆解、调试、工程化和表达。

• 拆解：把需求拆模块，变成把任务拆成概念、要求、评分点、最小可行方案。
• 调试：bug的本质都是定位、复现、控制变量、验证。从前端的依赖冲突到研究生的环境版本问题，道理一样。
• 工程化：把作业当小项目，目录清晰、记录参数、可复现。
• 表达：写博客和讲课逼着你结构化输出，讲清楚往往比做出来更难，也更能拉开差距。

我是怎么用GPT的

我在韩国总结了一套用GPT的方法，关键不是用不用，而是怎么让它长在自己身上。

我一般三个场景：解释概念、改代码、对比算法。解释概念时，会让它用不同层级讲，加上'用前端工程师能理解的方式'，把抽象拉回熟悉语境。改代码时，不给整段代码，只给报错和日志，让它定位原因优先级，我再验证。对比算法时，让它输出机制对比、适用场景、实验设计三张表，再给结论模板。

同时设了边界：不直接提交AI成品，关键内容必须能口述，用完写十行自己的总结。最终，我留下的才是我的。

毕业发言：一切都值得

读研的高光时刻，是作为优秀毕业生代表上台发言。紧张是必然的，但开口后，紧张慢慢变成了踏实，像是在给这段旅程做一次正式的收束。走下台后，心里只有一句：一切都值得。不是因为风光，而是那些普通甚至狼狈的坚持，真的把我送到了更好的地方。

为什么还是回到前端

读了大数据和AI相关的硕士后，我反而更坚定回前端。我喜欢前端那种做完就看到的确定性，即时的反馈让我能继续打磨。但这次回去不是原地踏步：带着更强的学习能力、更成熟的AI使用习惯、更重视数据的工程思维，我想做更靠近工程和AI落地的前端。

接下来的打算

接下来，我会把空缺的前端知识补回来，找到一份前端工作，回到快速反馈的节奏里。同时继续写博客，长期输出。离开舒适区，不是为了漂泊，而是带着更宽的视野，更坚定地走向喜欢的方向。