技术

agentic chat 图数据库的一些考量 LLM一些探索 Agent实践 LLM预训练 向量数据库的一些考量 fastapi+sqlalchemy进行项目开发 LLM微调实践 Python协程实现 Agent Functon Calling LLamaIndex入门 Multi-Agent探索 Python虚拟机 LLM工作流编排 Python实践 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Python一些比较有意思的库 Transformers源码学习 LangChain源码学习 通用分布式计算引擎Ray Python并发 go依赖注入 go collection gc的基本原理 golang性能分析及优化 数据湖 高性能计算与存储 Linux2.1.13网络源代码学习 《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办? 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器以及defer实现 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go堆内存分配 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 Kubernetes 控制器模型 容器日志采集 容器狂占资源怎么办? Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 线程排队 jib源码分析之细节 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用? 串一串一致性协议 当我在说PaaS时,我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂? 递归、回溯、动态规划 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型和jvm内存布局 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践(二) Thrift基本原理与实践(一) 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring(八) 支持AOP 自己动手写spring(七) 类结构设计调整 分析log日志 自己动手写spring(六) 支持FactoryBean 自己动手写spring(九) 总结 自己动手写spring(五) bean的生命周期管理 自己动手写spring(四) 整合xml与注解方式 自己动手写spring(三) 支持注解方式 自己动手写spring(二) 创建一个bean工厂 自己动手写spring(一) 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

架构

bert rerank微调 大模型推理tips RAG向量检索与微调 dddfirework源码分析 RAG与知识图谱 大模型推理服务框架vLLM 大模型推理服务框架 模型服务化(未完成) 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer k8s设备管理 ddd从理念到代码 如何应用LLM 小鼠如何驾驭大象(LLM)? 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 kubevela源码分析 容器和CPU那些事儿 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 AutoML和AutoDL 特征平台 实时训练 分布式链路追踪 K8S YAML 资源清单管理方案 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从混部到统一调度 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Admission Controller 与 Admission Webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI——kubelet与容器引擎之间的接口 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 概率论 serverless 泛谈 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 用户认证问题 资源的分配与回收——池 消息/任务队列

标签

k8s设备管理 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 kubevela源码分析 容器和CPU那些事儿 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 K8S YAML 资源清单管理方案 从混部到统一调度 volcano特性源码分析 kubebuilder 学习 client-go学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 openkruise学习 基于Kubernetes选主及应用 Admission Controller 与 Admission Webhook k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? Kubernetes events学习及应用 CRI——kubelet与容器引擎之间的接口 资源调度泛谈 如何学习Kubernetes 以应用为中心 kubernetes operator kubernetes扩缩容 serverless 泛谈 什么是云原生 自定义CNI IPAM docker和k8s安全访问机制 Kubernetes监控 Kubernetes 控制器模型 Kubernetes资源调度——scheduler Kubernetes类型系统 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 Kubernetes源码分析——从kubectl开始 kubernetes yaml配置 CNI——容器网络是如何打通的 当我在说PaaS时,我在说什么 《深入剖析kubernetes》笔记 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件
agentic chat bert rerank微调 大模型推理tips LLM一些探索 Agent实践 LLM预训练 RAG向量检索与微调 LLM微调实践 RAG与知识图谱 大模型推理服务框架vLLM Agent Functon Calling LLamaIndex入门 Multi-Agent探索 LLM工作流编排 大模型推理服务框架 模型服务化(未完成) 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Transformers源码学习 LangChain源码学习 如何应用LLM 小鼠如何驾驭大象(LLM)? AutoML和AutoDL 特征平台 实时训练 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 推理服务 mpi 学习pytorch 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow学习 kaggle泰坦尼克问题实践 神经网络模型优化 概率论 直觉上理解深度学习 如何学习机器学习 深度学习泛谈

《左耳听风》笔记

2018年09月08日

简介

真的建议大家没事购买一些课程,哪怕这些东西你已经全部知道,因为“横看成岭侧成峰”,切入点不同,感受不同,视角不同,一样的事情知道别人是怎么想的也很有意思。同时这些东西一般是成体系的,可以将自己零碎的知识串起来。

技术变现

主要两点:自己得行,怎么行?告诉别人自己行:

  1. 坚持,建立正向循环
  2. 关注有价值的东西,价值受供需影响,供小于求的东西就是有价值,供大于求的东西少做或让别人做。
  3. 关注技术趋势,要看清技术趋势,你需要了解历史。就像一个球运动一样,你要知道这个球未来运动的地方,是需要观察球已经完成运动的轨迹才知道的。要看一个新的技术是否顺应发展趋势,你需要将一些老技术的本质吃的很透。
  4. 动手能力很重要
  5. 关注技术付费点:赚钱点;省钱点
  6. 提升自己的能力和经历
  7. 找到有价值的信息源,微博、知乎等有价值的信息不多,最好的方式是google 输入 xx Best practise
  8. 输出观点和价值观、高质量的朋友圈

技术领导力

技术分为两种

  1. 核心,比如引擎之于汽车,但很多人或者未发觉,或者发觉了做不了
  2. 辅助/工程方面的技术,让汽车跑的更安全更有效率

总是在提供解决问题的思路和方案的人才是有技术领导力的人。那么如何做到呢?

  1. 吃透基础技术。对基础技术的学习能让你更好的、更快的掌握高维度的技术。PS:正是因为一些积累,笔者现在可以一两天看完一本技术书,一天对一个较为复杂的框架的源码有所认识。
  2. 提高学习能力。所谓学习能力,就是能够很快的学习新技术,又能在关键技术上深入的能力。
  3. 坚持做正确的事儿,包括但不限于

    • 提高效率的事儿、自动化的事儿
    • 掌握前沿技术
    • 知识密集型的事儿
  4. 高标准要求自己。PS:一些框架的源码比如docker、kubernetes 等,不是难,而你是自己都没有勇气看

技术的发展过程非常重要,从中可以看到非常具体的思潮和思路,这些东西比go和docker来说更有价值。让我重新思考已掌握的技术以及如何更好的解决已有的问题。

阅读文档:作者一般的做法是先通读一遍文档,了解文档中所涉及的技术,重点是了解这个技术所涉及的面和其解决问题的思路。知道整个技术的脉络,而不是死记硬背。

故障处理

出现故障时,最重要的不是debug 故障,而是尽可能减少故障的影响范围,并尽可能快地修复问题。平时要故障演练,比如随意关闭线上的几台机器。在故障排除后,如何做故障复盘以及整改优化则更为重要。

  1. 优化故障获知和故障定位的时间,如何做到更短,有哪些地方可以自动化等
  2. 优化故障的处理方式,故障处理时的信息是否全透明,人员安排是否得当等
  3. 优化开发过程中的问题,架构设计、技术欠债、codereview等
  4. 优化团队能力,包括且不限于技术能力、工程意识等

一个技术问题,后面隐藏的是工程能力问题,工程能力问题后面隐藏的是管理问题, 管理问题后面隐藏的是一个公司文化问题,公司文化问题则隐藏着创始人问题。你不可能在一个复杂环境下根本地解决问题。如果你想要从根本上改善一个事儿,那首先得把从各方面简化了。

不出故障或处理故障靠的是能力,惩罚机制能够加强coder少出故障的意愿,但coder 的意愿和能力 没有直接关系,因此惩罚直接责任人是不合适的。

表象和本质

在我们的生活和工作中,总是会有很多人混淆一些看似有联系,实则却关系不大的词和概念,分辨不清事物的表象和本质。比如加班和产出、努力和成功、速度和效率等

不知道对什么感兴趣,不知道自己擅长什么?

关于兴趣和投入:兴趣是需要保持的,不能持久的兴趣,意义不大;兴趣是可以培养出来的。所以,一开始很有兴趣或毫无兴趣都是表象,它们后面都有一个比较本质的东西:那就是你在做这件事儿时的一种正反馈,其实就是成就感。兴趣只是开始,而能让人不断投入时间和精力的则是正反馈, 是成就感。

学习一门语言或者一项技术 是否只有找到了相应的工作 才学得好?

工作能让我们带着问题和场景去解决问题,有同事和高手的帮助,在讨论中学习,可以更有效率的学习和成长。所以,不是找到了相应的工作我们才可以学好一项技术,而是,我们在通过解决实际问题, 和他人讨论,获得高手帮助的环境下,能更快更有效率的学习和成长。 如果这几个要素不成立,工作也帮不到你。找工作不只是找用这个技术的工作,更是找场景,找实际问题,找团队。 PS:从大牛的表述可以看到,作为一项自信逻辑能力的理工男,自己在思考这类问题时非常混乱,非常汗颜。

技术的价值?

  1. 与蒸汽机同时代的其它技术,比如化学、冶金等技术含量更高,但为何是蒸汽机代表了第一次工业革命?
  2. 为什么“电灯”的发明比电更令人印象深刻?
  3. 在一个基础技术被广泛使用的过程中,如何规模化也是一个关键技术

趋势和未来

这个世界的技术趋势和未来其实是被人控制的,具体的说是被那些有权有势的公司或国家来控制的,至少短期的未来一定是他们控制的。也就是说,技术的未来要去哪,基本上就是这个世界上有钱有势的人把财富投到哪个领域,也就是大公司或大国们的规划。投钱 ==> 发展 ==> 经过发展后的领域成为未来(不投钱的领域没发展/发展不大,十年后和今年一样,怎么会是未来)。PS:有点像以前 还有星探,现在直接 生产明星。

分布式架构的冰与火

下图主要集中在分布式系统的 应用于运维 角度。如何学习分布式参见 分布式系统小结

一个分布式系统(相对单体系统)有哪些问题,在下篇讲下这些问题在工程实现上如何体现:

  1. 分布式系统,soa 乃至微服务也是一个分布式系统
  2. 分布式系统架构的难点在于:系统设计、管理和运维。PS:从这可以看出业务模型不是最难点,比如Storm的Topology、Spark的rdd,理念很厉害,但这些理念能够落地 是最为困难的,包括且不限于解决可用性、扩展性等问题 ==> 分布式系统的共性问题 ==> 也正是我们要学习的。
  3. SOA 架构是构造分布式计算应用程序的方法,它采用标准的表示方式(就像spring 业务类一般有一个接口类一样),将应用程序功能作为服务提供给用户/其它服务。就像类与类之间会产生依赖一样,服务于服务之间 也会产生依赖。这一个依赖可以由调用方解决,也可以由中间件解决(类体现为ioc,soa 则体现为esb)。PS:道理果然是相通的
  4. 微服务在测试、运维和服务管理等方面比较麻烦,需要一套比较好的PaaS 平台,包括两块

    • 类似Spring cloud 一样需要提供各种配置服务、服务发现、路由、控制总线等
    • 像k8s 一样提供各式各样的部署与调度方式
  5. 服务、数据、流量调度。这三个方面一起说的时候,找一找感觉。

    • 分布式的服务调度需要一个分布式的存储系统来支持服务的数据调度。各大公司都在分布式的数据库上做各种各样的创新,他们都在使用底层的分布式文件系统来做存储引擎,把存储和计算分离开来,然后使用分布式一致性的数据同步协议的算法来为上层提供高可用、高扩展的支持。
    • 服务调度有几个理解:和流量调度将流量动态调整到各个节点;服务的扩容缩容;应用集群与数据集群的扩大与压缩;伙伴服务编排(编排这词儿在k8s和在微服务里可能不是一个意思)
  6. 分布式系统 几乎没有一致认同的基本构建模块,比较像的两个是:

    • Leader 选举
    • 分布式状态机复制
  7. 对分布式系统的理解 一时仍难以有个眉目,可以多读读作者推荐的基本书。

其实上图换个 视角就成了

弹力设计

无状态的服务 与 函数式编程如出一辙。为做成无状态的服务,需要耦合第三方有状态的存储服务,第三方存储服务计算与存储分离,最终依赖一个分布式文件系统。

design for failure,不要尝试着去避免故障,而是要把处理故障的代码(自我保护、打印更多信息)当成正常的功能做在架构里写在代码里。

  1. 限流应该让后端服务感知到,限流发生时,我们应该在协议头中塞进一个标识,比如Http Header中放入一个限流级别,这样后端服务可以根据这个标识决定是否做降级。进一步网关要向请求中塞入链路分析的标识、全链路压测的标识、限流的标识。
  2. 对于一个api或rpc,服务除提供全功能实现外,最好提供猴版实现,供调用选择
  3. 前端/客户端 感知到降级(特殊字段标识)后,部分数据不展示

design for ops,比如一个服务的多个实例,分别代表处于开发状态和稳定状态的服务。开发状态可以访问稳定状态的服务,稳定状态的服务不可以访问开发状态的服务。

限流是api 维度的,降级是服务维度的,有时不想让某个服务的问题导致整个api不可用

像熔断降级这些东西,我们现在看待它们还处于“神器”范畴,后续必然随着分布式的普及, 成为一个“基础知识”,进而被内化到框架中。

管理设计

程序=控制+逻辑,同理架构=控制+逻辑(业务服务),边车模式优点便在于控制与逻辑隔离,sidecar 与应用可以独立升级

我们在sidecar 之上think big一下,假设在一个分布式系统中,在每个节点上都已经把一些标准的sidecar 给部署好了,那么真实的业务只需要往这个节点中放,就可以和本地的sidecar 通信,然后由sidecar 委托代理和其它系统的交互和控制。

A service mesh is a dedicated infrastructure layer for handling service-to-service communication. It’s responsible for the reliable delivery of requests through the complex topology of services that comprise a modern, cloud native application. In practice, the service mesh is typically implemented as an array of lightweight network proxies that are deployed alongside application code, without the application needing to be aware.

高性能

编程范式

参见java 语言的动态性 函数式编程 面向对象设计 《编程的本质》笔记

程序猿练级攻略

在这个系列中,作者推荐了大量的好书与文章,碰到相关的内容可以回过头来学习。

程序猿应该知道的

面试

好简历是要用自己的经历去写的,最牛逼的简历只有一句话:我发明了Unix

  1. 技术知识的准备

    • 知识点
      • 编程语言
      • 系统知识
    • 算法题
  2. 工作项目的准备
  3. 为什么离职、职业规划、你的缺点是什么、你对我们有什么问题

没事面试一下, 是提高自我认知、社会认知、行业认知的重要方式。

高效沟通

talk 并不cheap,人与人之间talk 是直接交流,code 是间接交流(code是人与机器的直接交流)

  1. 提前统一术语
  2. 反馈,把你理解的说给我听
  3. 用低级知识讲给没有背景知识的人
  4. 信息在传递过程中的损失。公司层级越深越容易失真

另外一个地方看到的:在一个复杂环境下,很多问题已经不能就事论事来研究和解决,非常需要系统性的方法和战略性的眼光。

西方很多职业化的专家, 做任何事情都有方法论、有套路,甚至于如何开一个会都有很多套路。

高效学习

在总结和归纳中,积累的知识越多,在知识间进行联系和区别的能力越强,总结和归纳的能力越强/轻松,进而形成在更高维度上思考问题的能力。

其它

你一定要学会自己去寻找,这个努力是极其重要的,所以所谓高效学习的能力,不是知识,不是你要掌握知识,而是要掌握其中的方法。学习不是为了答案,而是为了方法,为了改变自己的一些思维方式,为了改变自己的一些习惯,这是我觉得是我整个学习里面最重要的一件事,在我的专栏里面有个金字塔,就是一定要学会和别人分享,归纳总结,输出思考与人讨论,这是最重要的。

个人微信订阅号