技术

Python ioc 从0到1构建一个db 上下文记忆 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
上下文记忆 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

猿性的弱点

2018年11月02日

简介

二元思维

一日,正一个工作干的兴起,一个其它部门的同事找我帮忙解决一个问题,他问题也说的不是特别清楚,但看着很复杂的样子,于是我就说这事儿弄不了(留给他最原始麻烦的办法去做)。第二天早上去公司(我有提前一两个小时上班的习惯), 闲下来尝试做了一下,发现不是很麻烦。

我发现一个工作上的误区:很多事其实不是不能干,而是当下事情太多,正兴起的时候中止掉去干一个不知道花多长时间的事情,人的内心是容易拒绝的。

在分布式时代,消息调用结果有三种:成功、失败、超时。而我们还停留在单机的成功、失败二元时代:做与不做、做不了,会与不会,想与不想,同意与不同意。其实呢:

  1. 做与不做之间,还有明天做、等闲下来做等
  2. 会与不会之间,还有花一段时间学会
  3. 想与不想,还有缓一缓,让自己静下心来思考,或多方咨询再做决定
  4. 同意不同意,还有保留意见,让对方试错回头的方式

甚至更宽泛一点,生活中的很多问题都不单纯是一个二元问题:

  1. 学习知识以广度为主还是深度为主?知识的广度和深度
  2. 大公司还是小公司
  3. 要不要紧跟潮流学习人工智能、区块链等

有质量的的提问

  1. 项目报错了,帮忙看一下。一般附上一个哭脸或色色的表情
  2. xx项目报了xx错误,帮忙看一下,项目地址在xx,在xxx可以看到报错信息
  3. xx项目报了xx错误,帮忙看一下,项目地址在xx,在xxx可以看到报错信息。我一开始认为是因为xx,经过验证不是这个原因,一时没有思路。
  4. xx项目报了xx错误,帮忙看一下,项目地址在xx,在xxx可以看到报错信息。我一开始认为是因为xx,经过验证不是这个原因,一时没有思路。这个项目昨天还是好的,今天我改了xx就不行了。

很多时候,等你把错误、前因后果都说清楚了,估计自己就找到答案了。

靠搜索而不是靠分析

很多程序员,碰到一个bug、error信息(笔者有时候也是),最直接的反应不是分析原因,而是将error 信息粘贴到google、百度搜索框中,然后不停地搜索。

但笔者比较建议的方案是:

  1. 直接搜索,两三次发现找不到,则放弃搜索
  2. 分析上一次成功 到这一次失败,自己所做的代码改动
  3. 分析error 信息,判断哪几种原因会导致该错误(等于换了个问题,这个问题可以google一下)
  4. 逐步分析排错可能的几种原因

这种思维方式,虽然不见得能够最终解决问题,但总会有所收获

我们不停地去搜索 而不是去分析的底层原因是什么?

  1. 不自信,不认为自己可以解决这个问题
  2. 依赖第三方框架,自己不熟悉,也不想了解这个框架
  3. 时间很紧张,起初以为自己搜一下就可以很快解决,或者总觉得下一次搜索可以解决问题。

今日资本的徐新在一次视频演讲时提到,现在人的一个重要特征是:懒,不仅是身体的懒,更是思维的懒。后者更可怕,因为很多时候都发觉不到。

没有分层思维

程序猿作为“主体”,去认知和实践“客体”。这些“客体”有哪些呢?

  1. code,代码实现
  2. design,项目设计
  3. 技术或知识,学习新知识/技术
  4. 学习/认知本身,认知本身有什么规律

但在认知和实践过程中,都有哪些问题呢?

  1. code,代码写在一个类、函数里,一点不考虑“逻辑是分层的” 这一事实。以一个app http 请求为例,如果不是controller-service-dao 的惯例 + 数据访问框架,我一点不怀疑一些开发 会将接收请求和jdbc 混在一起 放到一个函数中。
  2. design 项目设计,还以一个普通的web 业务为例,如果数据库表定好了,页面很多时候也会被设计成一个表的crud,说白了就是给一个表做了一个web view 而已。简单点的项目(用controller-service-dao)问题不大,复杂点的业务本身通常有很多业务概念,这个时候可以尝试下ddd设计。
  3. 学习新技术,根据认知的几点规律:知识是分层的。大部分程序猿在学习新技术时,只看到一些细节,且不会与已有的知识体系相结合。PS:如果你不去尝试理解底层原理(或者发掘有一层底层原理存在),就会一直在表面原理浪费时间,因为表面原理充满了细节且很难活学活用。

很多程序猿 一直秉承着 “我在为某个项目学习一个技术”或者 “我在给某个产品经理实现一个业务”,从未考虑将正在做的事情内化为自己的理解,技术和业务都是别人的,需求结束了,自己和这些技术的关系也就结束了。说白了还是懒,“实现效果不就好了嘛”。

分层需要你花更多的心思琢磨这个事情,在已知和未知之间保持 优雅的联系。某篇文章中提到:读书在当今的时代真的是一项能力,一本书看完,作者想表达的观点到底是什么,如何与你的生活与实际进行结合,书中的知识怎么和你的存量知识进行连接,这是一个需要长期锻炼的能力。

说了就干,干了再想

笔者最近和小伙伴碰到一类问题:事情都快做完了,突然想到更好地方法,这个时候就会有些懊恼,“为什么刚开始没想到”? 这就要求我们:

  1. 书写是更好的表达,关于写文章的一点经验对于任何问题的思考,想清楚、讲清楚、写清楚是三个完全不同的维度。「写清楚」是一个很好的反思过程,把「讲给别人听」的逻辑,通过文字书写出来,大脑就再也不用费力去存储那些内容,更多的精力可以用于不断的反思自己的观点,体系化的完善那些观点,因为往往写出来的时候才发现需要有很多背景要交代,有很多思考逻辑需要斟酌,有一些漏洞会被识别,有一些自己不完整的知识体系被觉察,这个过程中的成长其实才是最宝贵的。
  2. 多看,写作即思考,而思考不是凭空出现的,思考需要原料,常见的原料就是我们实际的工作经验,然而一个人的体验毕竟是非常有限的,而阅读他人的体验及思考,以谦卑的态度为自己的思考提供更多原料,显然是明智的做法。

  3. 给予设计足够的重视,尤其是以文档的形式 将设计 准确、优雅、简单的表达出来,写文档的过程就是对自己的设计进行完备性测试。实际过程中,经常一听需求直接就开干了,复杂点的或许画个草图。
  4. 一个人的想法总是有局限的,可以将第一步得出的文档转给多个人看,尤其是大牛看,接受他们的challenge
  5. 足够的快,设计项目的时候你对项目的认知最少,完成项目的时候对项目的认知最多,这是不可避免的。只有足够的快,不求完备,小步快跑,快速验证,才能减少设计失误带来的负面影响。

思维的懒

有很多很简单的道理,我们知道做不到,对大多数人来说是知易行难。行动分为两种

  1. 看见的行动,比如早起早睡
  2. 思维的“行动”

行动比知道难,思维比行动难。创造/成长类的方法论,很多环节的都离不开【循环】。像学习->实践->反思的循环,像架构设计中 分析->设计->返工->反思的循环,像好奇心循环中的 提问->建模->验证->分离概念的循环,以及很有名的TDC循环;可见恩格斯所说的螺旋形式上升之精辟,任何事物都是从肯定到否定再到否定之否定中发展。

德扑

笔者回顾玩德扑时几次“血亏”的过程,发现越是重要的决策,反而想的最少,甚至都没有认真分析过对方的牌,分析对方第一次下了多少筹码、第二次、第三次…,进而得出一个初步结论。

出牌的时候想想对方的下注过程很难么?是一个想不到的方法么?都不是,但就是不去想。说白了就是懒,思维上的懒。

时间管理

在时间管理领域,我们都知道事情根据时间和重要性两个维度划分为

  1. 不紧急不重要
  2. 不紧急但重要
  3. 紧急但不重要
  4. 紧急且重要

但碰到事情,我们还是手忙脚乱,进退失据。我们只会采用最简单的方法,来一件事做一件事,只会被动应对没有主动把控。

比时间管理更重要的能量管理思路无外乎两条:

  1. 量:如何合理的分配时间;
  2. 质:如何提高单位时间的利用效率。 时间管理无疑是科学的,但它的科学性有一个“理性人”的假设,假设我们是一个铁面无私、按计划办事的没有感情的时间机器。但遗憾的是,我们不是“理性人”,我们明知道手机浪费时间还是忍不住要刷,明知Deadline就在眼前,就是忍不住要玩一把游戏。如果我们真的是“理性人”,我们还需要什么时间管理呢?

能量管理的第一部分也是时间管理,但它跟传统的时间管理不一样,它要求你找到自己每一天、每一周的能量分布状态。时间管理中,所有的时间都是等效的,上午番茄钟的40分钟和下午的40分钟,没有区别;但在能量管理中,时间与时间是不同的。上午的情绪比下午好,这一点,很多人可能都有感觉。进一步的研究发现,人的大脑适合在上午做需要集中精力的工作,比如一些逻辑性很强的工作,下午大脑的注意力不容易集中,适合做一些需要发散性思维的工作,比如头脑风暴。当然,这种综合的统计结果对个人而言意义不大,有些人是夜猫子型的,有些人就喜欢早上起来看书写文章,他们能量释放的方式也不一样。“能量管理”的意义在于承认时间并不是无差别的,人也不是无差别的,我们释放能量的方式,并不相同,每个人都有自己的时间节奏,不可能要求所有的人按同样的时间计划表来进行。更重要的是,“能量管理”不要求我们克服自己的弱点,它认为每一个人都应该感受自己内心的节奏,在不过度强迫自己的前提下,尽量达到最好的学习工作状态。

但这就产生了另一个问题,时间只有一个方向,但能量却有两个方向,驱使你行动的,不光是正面的能量,还有负面的能量。如果只要你一拿起书,内心的正能量就消灭了,负面能量立刻占据了你的意识,难道你就应该听从负能量的方向吗?

  1. 时间管理只能约束你的外在行为,却无法管理你内心的能量。A状态中,无论是“厌倦”还是“负疚”,都会让你产生“自我怀疑”的负能量,你在自律中不断累积着的负能量,到了你无法承受的时候,才是你开始反思自己这么做“值不值得”的原因。
  2. 负能量并不是什么不好的东西,相反,它让你更清醒、更理性。你对一件不理解意义的事,倾注了过多精力后,你的内心就通过“负能量”的方法提出抗议,所以说负能量才是“理性的声音”。
  3. 正能量的作用让你追求未来的希望,而负能量的作用是让你理智地面对自己的行为,能量管理就是保持这两种能量的平衡。让你既充满激情,又不失理智。

你选择考研,因为你渴望更好的工作,获得更多的财富和成就感,而你现在没有。可当你这么想的时候,“考研的你”就被贬低为“未来的你”的“工具人”。人天生散漫,未来的成就并不能与现实的痛苦对抗,在严格的时间管理下,内心很容易充满了负能量,唯一能够与之对抗的“正能量”就是考研对于“现在的你”的意义。“更有钱途的专业”并不能赋予考研足够的意义,它与“现在的你”无关,而“换一个你很喜欢的专业”就有了足够的意义,它与“现在的你”有关

神探狄仁杰与排查bug

笔者时不时的会看下《神探狄仁杰》,一开始听到“狄公真乃神人也”的时候觉得在尬吹。但多看几遍,味道就很不一样了。我们观众站在上帝视角,知道发生了哪些事情,但主角不知道,他要根据一系列现象去分析,最终得出一个有意义的结论。

我们排查bug 也是如此,根据一系列现象,得出一系列推论,缩小“问题域”。若是证据不足,可能要针对“嫌疑人”进行试探。这背后是一个思维闭环:

  1. 有哪些现象(尤其是反常现象),通常什么原因会导致这些现象。
  2. 有哪些推论
  3. 选择合适的方法排除不必要的选项
  4. 剩下的那个便是结论

而大部分开发在排查时,根本不知从何入手,“狄仁杰”脑子里是一条面,很多开发脑子里是一条线,这条线走不通,便摊手找老大帮忙。更有甚者,碰到bug只知道频繁的重启重试。

比如笔者一直对pullrequest 的流程总是忘记,但是有一天github 拉下来一个源码,本地切换分支commit 发现没权限,顿时恍然大悟,不是contributor,自然只能push 到自己的库中了,进而fork 操作也就是必要的了。

将显意识炼成自己的潜意识

“人饿了找吃的” 这件事不用动脑子,但对方加注时分析收益率却需要人主动地去思考,在情绪刺激下“理性”甚至会被抛在脑后。人要取得更长远的进步,就要打破自己的“舒适区”,将第二、三反应炼成自己的第一反应。因为这事太难,所以一旦掌握便威力巨大,比如更高的德扑胜率。