用AI自学系统设计：一个后端开发者的90天学习笔记

为什么选择这个主题

2026年初，我决定认真准备系统设计面试。

作为一个有五年经验的后端开发，我的日常工作是写业务代码、调API、改Bug。系统设计能力一直是短板——分布式缓存怎么选型、一致性哈希怎么实现、数据库分片策略如何设计，这些我都知道皮毛，但从来没系统学过。

按传统路径，我该买几本大部头书啃：《设计数据密集型应用》（DDIA）、《系统设计面试》、《分布式系统概念与设计》……但作为一个有全职工作的人，我实在没信心看完。

这时候一个念头冒出来：为什么不试试让AI当我的老师？

与其让AI帮我写代码，不如让它帮我构建知识体系。

这篇文章就是这90天的真实记录——不是「5个最佳系统设计学习工具」，而是一个真实的学习实验：用AI主导的自学，到底靠不靠谱？

第一阶段：制定学习计划（第1-3天）

踩的第一个坑：AI不会帮你「制定」计划

我先跟ChatGPT说：「帮我制定一个90天的系统设计学习计划。」

它5秒给了一份完美计划：

看起来完美对吧？

但真正执行的时候我才发现问题：这计划是基于「理想人类」制定的，不是基于「我」制定的。

ChatGPT不知道我的基础水平（它默认我懂所有前置知识），不知道我的时间弹性（每天固定2小时对打工人不现实），更不知道我的学习风格（我学东西需要先动手再理解理论）。

转机：让AI先帮我「做检测」

第三天我换了一种方法。我告诉ChatGPT：

「我是一个后端Java开发，工作中用过Redis和MySQL但不深入。现在用选择题的方式测试我的系统设计基础知识，每次10道题，根据我的正确率动态调整难度。」

这个对话持续了3天，每天测10道题。结果让我汗颜：

• 基础概念（CAP、BASE）：60%正确率
• 数据库相关（分片、索引、复制）：70%正确率
• 分布式理论（一致性、共识算法）：30%正确率
• 系统设计案例（设计XX系统）：20%正确率

测试完了，我让AI给我一份「针对我的薄弱环节」的学习计划。

这次生成的计划完全不同了：

第1-20天：主攻分布式理论（我最薄弱的部分）
- 第1-5天：CAP定理与BASE理论（配合具体案例）
- 第6-10天：一致性模型（强一致性 vs 最终一致性）
- 第11-15天：共识算法（Paxos/Raft的核心思想）
- 第16-20天：分区容错与脑裂问题

第21-40天：数据库深度
- 重点：MySQL主从复制、分库分表、NoSQL选型
- 穿插练习：每3天设计一个数据存储方案

第41-70天：实战设计
- 每周拆解2个大厂经典设计案例
- 用白板画架构图，再用AI校验

第71-90天：冲刺刷题
- 每天模拟1个系统设计面试题
- AI扮演面试官，我做presentation

这个计划明显务实多了——它知道我需要补什么。

核心教训：不要让AI直接给你「最优计划」，先让它了解你的真实水平。AI不认识你，你得帮它认识你。

第二阶段：学习方式的摸索（第4-30天）

我尝试过的三种学习模式

模式A：让AI讲给我听（第4-10天）

用法：「解释一下Raft协议，举一个具体的例子」

效果：⭐⭐⭐

ChatGPT的讲解逻辑清晰，举例生动。但有个致命问题——听完就忘。

我发现自己处于「被动接收」状态，跟看视频课一样，当时觉得懂了，过两天就忘干净了。

模式B：让AI出题我做（第11-18天）

用法：先自己看完资料，再让AI出10道练习题检验理解。

效果：⭐⭐⭐⭐

这个模式好很多。比如学完一致性哈希之后，AI出了这么一道题：

「一个分布式缓存系统有5个节点，现增加2个节点。使用一致性哈希，平均需要迁移多少数据？不使用一致性哈希，需要迁移多少？」

这道题逼着我真正理解了「最小化数据迁移」的含义。

模式C：费曼学习法 + AI（第19-30天）

用法：学完一个概念后，用自己的话讲给AI听，让AI当我的学生。AI会指出我讲错的地方和遗漏的关键点。

效果：⭐⭐⭐⭐⭐

举个例子，学完「分布式事务」后，我花20分钟给AI讲了一遍二阶段提交（2PC）和三阶段提交（3PC）的区别。

AI听完后的反馈让我印象深刻：

「你讲2PC的阶段基本正确，但有一个关键遗漏：你没提到协调者单点故障的问题。在实际系统中，协调者宕机后所有参与者会一直持有资源锁，可能导致系统完全不可用。这就是为什么大多数现代系统更倾向于Saga模式而不是2PC。」

这个反馈让我记住了2PC的致命弱点——如果只是看书，我可能不会对「协调者故障」这个场景有如此深刻的记忆。

从第19天开始，我固定了学习流程：

1. 读一段资料（书/文章/AI生成的概述）
2. 用自己的话讲给AI听
3. AI挑错 + 补充
4. 根据反馈修正自己的理解
5. AI出题检验

这个流程的核心是：AI不负责「输入」，只负责「校验」。输入还是得我自己来。

第三阶段：实战练习（第31-60天）

用AI模拟「白板设计」

系统设计面试的核心环节是白板设计——给你一个需求，让你画出系统架构并解释设计决策。

这个环节最难练习，因为你需要一个人听你讲、给你反馈。我以前试过找朋友模拟面试，但大家都很忙，一周能练一次就不错了。

AI完美解决了这个问题。

我的练习流程：

1. Ask AI：「作为面试官，给我一个系统设计题」
2. AI出题：比如「设计一个短链接服务」
3. 我用15分钟在纸上画架构图
4. 我对着AI「讲解」我的设计，就像在面试一样
5. AI给我打分并给出改进建议

第一个练习：设计短链接服务

我的设计：
- 用MySQL存储URL映射
- Base62编码生成短码
- 加一层Redis缓存

AI给我打了7/10，指出了三个问题：

1. 「你的短码生成是自增的，任何人都可以遍历你的数据库枚举所有短码。考虑用哈希截取+冲突检测」
2. 「没有考虑短码的过期策略。存量的短码越来越多，查询性能会下降」
3. 「你的架构图中缺少监控和告警组件，生产环境这些不可少」

这三个问题我确实一个都没想过。那20分钟的「面试」比我读一周书的收获还大。

后续的练习：

每次练习后，我会把AI的反馈整理成笔记。一个月下来，积累了6个完整的设计案例笔记。

遇到的问题：「AI的答案太完美了」

用AI做面试练习有个我没想到的副作用：AI给出的「标准答案」过于完美，容易让我产生「我也可以」的错觉。

比如我让AI设计一个「推荐系统」，它给了一个包含7个模块、4层缓存、3个模型的架构。看的时候觉得「哇塞太棒了」，但冷静下来一想——这TMD是YouTube级别的架构，一个面试问的是「可扩展的MVP设计」，不是「全量生产方案」。

解法：在Prompt里加入约束

我开始在开始之前加一句：

「请以中级工程师的身份回答，给出能应对百万日活、可横向扩展的实用架构，不要包含过于复杂的组件。」

加了这句之后，AI输出的东西务实了很多，也更有参考价值。

第四阶段：冲刺刷题（第61-90天）

最后一个月，我让AI扮演面试官模式刷题。

每天流程：

1. AI随机出题（从题库里抽）
2. 我计时45分钟，画架构图+写关键方案
3. AI评分 + 逐项反馈

评分维度：
- 功能性覆盖（需求的完整性）：30%
- 架构合理性（组件选型+模块拆分）：25%
- 可扩展性（是否考虑到流量增长）：20%
- 深挖回答（特殊场景的应对）：15%
- 沟通表达（逻辑清晰度）：10%

到第75天左右，我的平均分从最初的5分提高到了7.5分左右。

最有价值的几次反馈：

反馈1：关于容量规划
AI指出：我设计的每个系统架构看起来都「技术正确」，但缺乏量化的容量规划。「你说用Redis缓存热点数据，缓存的QPS预算是多少？内存需要多大？这些数字才是面试官想听的。」

这一点说到点子上了。我开始在每份设计中加入具体的数字：预估QPS、存储容量、带宽需求、节点数。

反馈2：关于权衡讨论
AI说：「你每次都能给出一个方案，但很少讨论为什么不用其他方案。面试官想听的是你的设计决策过程——你知道哪些选项，为什么选了这个而不是那个。」

从那以后，我每讲一个决策，都会说「这里我考虑了ABC三个方案，选A因为……不选B因为……」

反馈3：关于系统边界
AI指出：「你的设计里每个组件都独立运行良好，但你没有画清楚各组件之间的接口和数据流。接口定义是系统设计中最容易被忽略但最关键的部分。」

第90天：我学到了什么

知识层面的进步

• 分布式理论：从「知道CAP是啥」到「能讲清楚为什么大部分系统选AP+最终一致性」
• 数据库：从「用过MySQL分表」到「能设计分库分表方案+选一致性哈希」
• 缓存：从「会用Redis set/get」到「能讨论缓存穿透/击穿/雪崩的应对策略」
• 消息队列：从「用过Kafka发消息」到「能对比Kafka/Pulsar/RabbitMQ的适用场景」
• 微服务：从「写过微服务代码」到「能设计服务拆分策略+API网关选型」

对「AI辅助学习」的重新认识

AI做到的事：
- ✅ 提供即时反馈（这是传统学习最缺的）
- ✅ 模拟面试场景（这是最稀缺的练习资源）
- ✅ 指出盲区（AI能看到你没意识到的知识缺口）
- ✅ 适应性难度（根据测试结果动态调整）

AI做不到的事：
- ❌ 替代基础阅读（深度知识还得看书）
- ❌ 保证准确性（AI会编造错误的「事实」）
- ❌ 提供真实压力（跟真人面试官完全不同）
- ❌ 评判方案的「商业合理性」（AI不知道业务背景）

我保留的核心工作流

现在我的学习方式已经固定下来：

阅读资料（书/文档） → 用自己的话讲给AI听 → AI挑错补充 → 出题检验 → 错题复盘

这个流程把AI定位为「学习教练」而不是「知识搬运工」。AI不帮我省「学」的时间，而是帮我提高「学」的质量。

几个值得说道的踩坑

坑1：AI编造的技术「事实」

有次我问Claude关于「DynamoDB的全局二级索引写性能」，它详细解释了一堆技术细节，看起来非常专业。后来我查AWS文档发现其中两条完全是错的：

1. 「全局二级索引的写入吞吐量和基表共享」——其实GSI有自己的写入容量
2. 「GSI默认是最终一致性」——实际上GSI支持强一致性读

如果我把这两条「事实」带进面试，会被面试官当场识破。

教训：AI说的一切技术细节，重要的一定要查官方文档验证。

坑2：过度追求「标准答案」

刚开始练习时，我总想让我AI给一个「标准设计」，然后背下来。但实际面的不是标准题，而且面试官根本不care「标准答案」，他们想听「你的思考过程」。

教训：AI是练过程的，不是背答案的。

坑3：把AI当作唯一学习渠道

有段时间我完全依赖AI讲知识，不看任何书。结果发现知识是「碎片化」的——AI能讲清楚「一致性哈希是什么」，但讲不清楚「为什么一致性哈希在Dynamo和Cassandra中实现方式不同」。这种深层的背景知识，只有读论文和源码才能理解。

教训：AI是「导航」，不是「地图」。它指路很好用，但没有地图你永远不知道旁边有别的路。

坑4：高估了「面试练习」的掌握程度

我用AI练了30次模拟面试，自我感觉良好。但第一次正式模拟面试（跟真人），直接翻车——紧张导致大脑空白，讲话结巴，之前想好的框架全忘了。

教训：AI演练跟真人演练不是一回事。AI不会给你紧迫感，不会在你卡壳时给你压力。

最终评估

90天下来，我觉得这个学习实验的效果是：

实际能力提升：6/10
知识量确实增加了，但离「真正的系统设计能力」还有距离。真正的能力需要在真实项目中积累。

AI价值评估：8/10
作为学习辅助工具，AI的表现超出预期。特别是「费曼学习法+AI校验」这个模式，效果非常好。

面试准备效果：5/10
AI模拟帮助很大，但不能替代真人模拟。实际面试中的沟通技巧、临场应变这些，AI模拟不太够。

给也想用AI学习的人

如果你也想用AI辅助学习，我的建议是：

1. 先检测，再计划：让AI先测你的基础，再有针对性制定计划
2. AI是教练，不是老师：主动学习（讲给AI听+AI出题）比被动学习（AI讲给你听）效果好3倍
3. 交叉验证：AI提供的信息，关键内容一定要查官方文档确认
4. 保持手感：AI学完了，还要找真人练习。AI不能替代真实的人类互动
5. 不要依赖AI的记忆：自己的笔记永远比AI的对话记录可靠

接下来

90天的学习计划结束了，但系统设计的学习还在继续。我现在每隔一周让AI出1道新题保持手感，同时开始读DDIA的原著——有了AI帮打的基础，读书的效率高了很多。

下一步的计划是：把学到的知识用在真实项目中。我准备把家里的小项目（一个个人博客）从单体架构重构为微服务——当然，这次我不让AI帮我写代码，我要自己动手。

这篇文章写于2026年5月，所有学习方法和建议基于个人真实体验。如果你也在用AI自学，欢迎分享你的经验。