前两篇写了学习规划和环境搭建这一篇是方法论的核心怎么用 AI 和本地知识库把 97 个 OpenCV 实例“跑一遍”变成“长在身上的技能”。核心就一句话——知识只有进了自己的知识库才叫学会没进库的都叫看过。一、为什么传统的“学 OpenCV”会失败大多数人的学习路径是这样的收藏一堆教程 → 打开官方文档从头读 → 读了两章放弃 → 三个月后重新开始。问题出在哪教程是别人的知识结构不是你的。跟着敲一遍代码能跑但合上屏幕什么都记不住资料爆炸。官方教程、博客、视频、问答同一主题几十种讲法学完即混乱没有产出。输入型学习没有反馈大脑默认这些东西不重要学完就清空破局的办法是改变学习闭环每一次学习都必须有产出产出物进自己的知识库知识库反过来支撑下一次学习。这就是 LLM Wiki 模式。二、LLM WikiKarpathy 式的个人知识库LLM Wiki 是 Andrej Karpathy 提出的一种知识管理方式用一堆互相链接的 Markdown 文件构建一个“先编译一次、之后直接查”的个人知识库。它不是一个软件就是一套目录规范SCHEMA.md域规则和标签体系约束知识库不乱长index.md内容目录每页一行摘要定位靠它log.md操作日志今天学了什么一查便知concepts/概念页理论沉淀的地方entities/实体页工具、库、相机这类“东西”comparisons/对比页A/B 决策的记录queries/问答沉淀学习过程中的所有问题与传统收藏夹的本质区别收藏夹是“存了就当会了”LLM Wiki 是先整理再入库——整理的过程就是学习入库之后知识才真正属于你。三、8 步 SOP每次学习的标准闭环我给自己定了一套固定流程每次学一个 OpenCV 实例都走一遍定主题这次学什么一个实例一个主题跑实例跑官方示例程序先看它输出什么截图存档运行结果截图存进知识库的 raw 区问题收集把学习中的疑问全部记下来LLM 问答逐个问题问 AI问透答案整理成册wiki 沉淀原理、API、公式写成概念页更新导航index、log、进度表同步知识库保持整洁公众号成稿凑成一个主题就输出一篇文章这套流程最狠的地方在第 5、6 步AI 负责回答你负责把回答变成自己的知识。AI 给的答案如果不整理明天就忘整理进 wiki 并用自己的话重写一遍才是真掌握。四、AI 的三个角色代码生成器、代码讲解员、实验设计助手用 AI 学 OpenCV我把它当三个角色用第一代码生成器。看到一个实例不会写让 AI 按官方 API 生成骨架代码跑通后自己改。重点是“自己改”——AI 生成的代码是起点不是终点。第二代码讲解员。这是被低估的用法让 AI 逐行讲解官方示例。OpenCV 官方代码注释少、写法老练让 AI 把每行的作用、为什么这么写讲清楚比自己查文档快十倍。讲解完让 AI 出三道小问题考自己答不上来就是没懂。第三实验设计助手。学到一个算法想验证理解让 AI 帮忙设计实验改参数看效果、对比不同算法、构造极端输入。比如学完边缘检测让 AI 出几个实验不同阈值的效果对比、噪声图上的表现、和另一种边缘算法的对比——实验做一遍比读十遍文档都记得牢。五、如何做实验单变量、基线、可视化AI 辅助做实验有个纪律一次只改一个变量。改阈值就只改阈值别的全不动对比算法就只换算法参数保持基线一致。不然出了问题根本不知道是哪个变量导致的。可视化是实验的命根子OpenCV 的处理结果一定要显示出来看边缘检测的图、直方图的形状、特征点画在图上——眼见为实。跑出来的效果图顺手存进知识库以后翻笔记直接看图回忆。六、知识库怎么反哺学习知识库建起来之后它的价值是复利式的学新实例时先搜知识库发现以前整理过的相关页面直接 wikilink 连过去踩过的坑记录在案下次遇到同类问题不用重新趟写公众号文章时素材全是现成的截图、原理、踩坑表半小时成稿学完 97 个实例知识库就是一本自己的 OpenCV 手册比任何官方文档都“懂我”七、这套方法能复用到任何方向最后说一个额外收获这套“实例遍历 LLM Wiki 8 步 SOP AI 三角色”的方法论不只在 OpenCV 上有效。学 Qt、学相机 SDK、学嵌入式 Linux都是同一套打法。方法比知识更值钱——知识会过时方法不会。结语学习 OpenCV 的正确姿势不是“读完教程”而是“跑完实例、问透问题、沉淀成库、输出成文”。AI 是加速器知识库是仓库你是那个把两者连起来的人。三篇文章写完路线有了环境有了方法有了剩下的就是每周按节奏执行。如果这篇对你有启发欢迎点赞、在看、转发三连我们下篇见。