日拱一卒无有尽，功不唐捐终入海https://dailyup.blog/zh-CNhttps://dailyup.blog/posts/2026-08-25_blog_how-universities-should-prepare-founders/https://dailyup.blog/posts/2026-08-25_blog_how-universities-should-prepare-founders/翻译自 Paul Graham 的文章。YC 合伙人寻找的是"擅长创造事物且习以为常的人"——大学培养创业者的最佳方式不是开设创业课，而是教好基础学科、让学生觉得创业可行，并鼓励他们自由钻研自己的项目。Tue, 25 Aug 2026 00:00:00 GMT> 翻译自 Paul Graham 的最新文章 [How Universities Should Prepare Founders](https://paulgraham.com/prepare.html "How Universities Should Prepare Founders")，分享给大家。  大学该如何帮助学生为创业做好准备？Y Combinator 是回答这个问题的绝佳人选，因为我们正是接手这些学生的人。这就如同研究生院。而且，YC 花了 20 年时间去打磨一套标准，看清了有潜力的创始人究竟是何面貌，你大概很难找到比这更准的标尺了。 YC 的合伙人看重什么？答案出奇地简单。**他们寻找的是那些擅长创造事物，并且习以为常的人。** 创业的难点在于产品：**知道该造什么，并且有能力造出来**。这种学问源自于学习计算机科学、机械工程或分子生物学，而非管理学或金融学。<a href="#f1n">[1]</a> 因此，让本科生为成为成功创始人做好准备的方法，并非给他们塞一套主打“创业精神”的新课程，而是去做大学本就最擅长的事，教他们计算机科学、机械工程以及分子生物学。<a href="#f2n">[2]</a> 实际上，比起为其他几乎任何职业做准备，**培养学生创业更接近博雅教育的理想**。创业成败取决于客户对产品的喜爱程度。客户才不在乎创始人大学学了什么。所以，创始人想学什么就学什么，只要他们把创造事物的本领练就到家即可。 不过，“创造”二字应作广义解。这并非意味着所有准创始人都必须去学某种工程学。几乎任何称得上是“建造”或“创造”的专长都能派上用场。例如，学习书法对史蒂夫·乔布斯就大有裨益；这也是苹果称霸桌面出版领域的原因之一。因此，尽管数学、科学、工程和设计通常是稳妥的选择，但我不想将它们与其他领域划清界限，因为我能想见其他形式的创造力同样有用。而且，**要精通某门手艺，当然不必非得主修它**。马克·扎克伯格编程很厉害，但他主修的是心理学，而非计算机科学。 **准创始人究竟该学什么？最贴切的说法是，他们应当去追寻极具影响力的思想**。不过，聪明人本就天生容易被强大的思想吸引。因此，只要教授这类思想的科系还在，那些具备优秀创始人潜质的人自会找上门去。<a href="#f3n">[3]</a> 其实，大学若想在培养创始人方面做到尽善尽美，只需做出两点改变：**让学生觉得创业是力所能及之事，并鼓励他们去钻研自己的项目。** 眼下，“创业切实可行”这一信念的分布极其不均。YC 如今收到的申请多如牛毛，我们的申请数据便能作为衡量不同大学创业热度的一项合理指标。例如，哈佛校友的申请率大约是耶鲁和普林斯顿校友的两倍。想必哈佛学生与耶鲁、普林斯顿的学生并无太大差异；哈佛学生之所以创办了更多公司，仅仅是因为那里创业蔚然成风。反过来说，这也就意味着，只要让学生觉得创业是一条可行的出路，耶鲁和普林斯顿的创业人数至少能翻一倍。 一所大学一旦形成了创业文化，就无需再去说服学生这是一条可行之路了。新生自然会从老生那里耳濡目染。但在那些尚未形成浓厚创业文化的大学，依然有法子去促成这种认知。**最有效的招数，莫过于给学生们展示那些已经做成这事的活生生的例子**。 在亲眼见识到活生生的创始人之前，你往往会觉得创业是别人家的事。亲眼所见，便能戳破这层滤镜。事实上，在现实中见到创始人能带来双倍的启发：他们看起来确实厉害，但同样也有血有肉。尤其是当他们谈及早年的日子，谈及自己如何一头雾水、频频犯错时，更是如此。所以说来奇妙，在现实中见到创始人，会让创业这件事显得既令人向往，又触手可及。它让学生们觉得：“我想成为那样的人，而且我也能做到。” **创始人对学生的启发程度，大致成正比于他们的财富与名气，成反比于他们比学生大多少岁**。所以，没必要非得请那些知名的亿万富翁来校园。那些二十来岁、创业三年、公司估值个把亿的创始人也同样管用；他们或许只有前者二十分之一的财富和名气，但学生们从他们身上找到共鸣的容易程度，却是前者的二十倍。 ________________ 期望学生创业的大学，为何需要让学生相信创业是一条可行之路，这背后的道理显而易见。但为什么学生钻研自己的项目如此重要？ 原因有四。其一，这是极为深入地理解一门学问的好方法，甚至可能是最好的方法。**创造新事物带来的兴奋感，远比害怕考砸的恐惧更具驱动力**。 其二，共同做项目是联合创始人发掘彼此的最佳途径。最成功的初创企业往往有多位创始人，而**要想确切判断一个人是否适合共事，唯一的办法就是与之共事**。苹果和微软，只不过是其创始人共同参与的众多项目中的最后一个罢了。 其三，创业本身就是一个项目，所以对于习惯了搞自己项目的人来说，创办一家公司会显得十分自然。没有老师或老板发号施令，他们也不会觉得别扭。**他们早就习惯了自我驱动**。 其四，或许也是最令人意外的一点，**最好的创业点子往往出自漫无目的的业余项目**。最妙的创业想法乍一看往往荒诞不经，以至于任何刻意寻觅创业点子的人都会将其全盘否决。谁能料到做一个学生名录就能打造出一家商业巨头呢？所以，发掘绝佳创业点子的方法，并非刻意去寻找，而是去折腾任何看似有趣的随性项目。因为实际上，这些项目远非漫无目的：擅长创造的年轻人堪称技术的风向标，因此任何能引起他们兴趣的点子，都有着极高的概率通向某种有价值的东西，哪怕他们自己当时还浑然不觉。 现在，大家应该清楚为何 YC 的合伙人极其看重申请者做过的项目，而对他们的绩点（GPA）毫不关心了。**项目是知识的最佳源泉，是创始团队的最佳孵化器，也是创业点子的最佳发源地**。 然而，鼓励学生去做自己的项目，对大学而言可能并非易事。这意味着要给学生更多的空闲时间，而大学多半不太情愿这么做。 微软和 Meta 有一个鲜为人知的共同点。它们都是在哈佛的“阅读期”（reading period）创立的。阅读期是结课后到期末考试前的一段空档。之所以叫阅读期，是因为学生“理应”用这段时间来备考。但结果表明，阅读期具备了一种独特的特质组合，使其成为开启新项目的完美温床：学生们都在校园里，而且第二天也没有什么必须要交的作业。特别是后一个限制，对那些最雄心勃勃的学生来说，是个巨大的拖累。仅仅将这个限制解除几周，就诞生了两家万亿美元级别的公司。想象一下，如果哈佛的阅读期延长一倍，美国的 GDP 会是什么光景。 大学通常会抵制减少学生课业负担的想法。部分原因是，管理者们觉得，如果想取得某种成果，就必须采取积极措施。“顺其自然、放任不管也能成事”，这种想法违背了他们的天性。 然而，**理应顺其自然，给学生自由**。这些本就是学生自己的项目；大学应当克制住将其“官方化”的诱惑。一来，学生对完全属于自己的项目会更有干劲；二来，许多项目一旦被官方收编便难以存活，因为它们总会打破某些规矩。比尔·盖茨和马克·扎克伯格在本科期间做的项目，都曾让他们惹上哈佛校方的麻烦。比尔把并非本校学生的保罗·艾伦带进计算机实验室开发 Altair Basic，违反了校规。扎克伯格则因为 Facemash 惹出大祸，被处以留校察看。他们的遭遇很可能不是例外，而是常态。**大学里条条框框繁多，而新奇的项目往往是不修边幅、不守规矩的**。 就在眼下，正有学生把无人机飞出视距之外。对此，睁一只眼闭一只眼吧。 大学难以给学生减负的另一个原因是，他们会担心如果没有某种形式的监督，大多数学生只会白白浪费掉这些空闲时间。而且他们确实会！给精力最旺盛的学生留出更上一层楼的空间，其代价就是让那些最缺乏活力的人有空间堕落得更深。但这个代价是值得付出的，因为如果精力旺盛的学生表现更好，他们会好得“多”；而那些最懒散的学生本就学无所获，再差也差不到哪去。因此，把部分时间还给所有学生，即使无法提升中位数，也能极大地提高平均水平。<a href="#f4n">[4]</a> 仅仅为了鼓励准创始人就更改整所大学的日程安排，似乎有些小题大做。毕竟这部分学生绝不会超过总数的 10%。如果这种改变仅仅惠及创始人，那确实过了头。**但事实上，把部分时间还给学生，会使所有精力充沛且雄心勃勃的人受益**。哪怕学业压力只是减轻个一两周，他们都会去探索各种各样的新鲜事物。 ________________ 既然我已经说明了大学应当如何培养创始人，那么我也该谈谈不该怎么做。**有一件事大学是做不到的，那就是真正地“教”学生如何创业**。创办一家公司就像学化学或画画一样，必须在实践中学习。这意味着，一堂名副其实的“创业课”必须是一门实验课：学生们必须真刀真枪地去创业。而且我非常清楚这类课程应该是什么样，因为 YC 就是。但 YC 的架构与大学截然不同，如果你硬把它塞进本科的学位课程里，只会沦为一个笑话。难道指望学生们在没有任何资金的情况下创办公司？众所周知，好好经营一家初创公司需要倾注你每一分每一秒的时间，难道指望他们一边干这个，一边还能兼顾三四门其他课程？又或者，就算顶着这些障碍，真有几家公司腾飞了怎么办？难道要学生们直接放弃心血？因为摆在他们面前的，要么放弃，要么退学。 运营一家初创公司与全职做学生是水火不容的。**学习创业的唯一途径就是亲力亲为**。这两句话浅显易懂，几乎算得上是不言自明的真理。然而，许多人却对它们所暗示的结论百般否认。你根本无法在课堂上教学生如何创业。 面对这个令人不悦的真相，一种常见的对策是“假装”教他们创业，比如举办商业计划大赛。学生们合作想出一个创业点子，然后向模拟投资者进行推销。这种演练不仅毫无用处，甚至纯属误导。它让创始人误以为融资是创业的关键一步，误以为创业的核心在于编造一个能打动投资者的故事。作为一名投资者，我可以明确告诉你，事实并非如此。**融资仅仅是一种“必要的恶”**。你需要打动的对象是用户，而非投资者；打动他们的方式是拿出原型产品，而非巧舌如簧。**创业的核心绝不是编排一个讨好投资者的故事，而是打造一款受用户青睐的产品**。<a href="#f5n">[5]</a> 事实上，准创始人所做的，应该与学生在商业计划大赛里做的完全相反。与其纸上谈兵空想创业，不如埋头创造点什么，先别管它未来能不能变成一家初创公司。 大学之所以热衷于举办商业计划大赛这种弄虚作假的名堂，原因之一可能在于：如果他们真的采取了培养学生创业的最优策略，场面看起来会太过冷清。想象一下，如果一所大学做对了每一件事。学生们将出于真正的兴趣在课堂上深入学习如何创造事物，并在课余时间与朋友们满腔热忱地捣鼓一些与学业无关的业余项目。当学生们毕业时，他们身上就自带了预测创始人能否成功的特质：创造事物的能力以及将之付诸实践的习惯。除此之外，有相当一部分业余项目本身就是初具雏形的初创企业。然而，在家长和准大学生眼中，这所大学仿佛什么都没干。“关于‘创业精神’的课程在哪呢？”“创新中心又建在哪了？” 这也正是培养创业者最优方案的另一大好处：它不花一分冤枉钱。你不需要聘请什么“创业学院院长”，也不必去盖什么新大楼。事实上，如果你真这么干了，这些反而会成为累赘；它们毫无必要，若非说有什么影响，那也是适得其反。**如果大学有闲钱，不妨发给那些教授计算机科学、机械工程或分子生物学的人**。<a href="#f6n">[6]</a> 可是，如果这条最优路径看起来过于悄无声息，解决办法绝不是去回避它。**解决之道在于立场坚定，深知自己做的是对的，并坚信最终的结果会证明一切**。如果你能在学生中培育出一种原生的创业文化，并且每年都有多名学生走出去并成功创业，那么只要稍加留意，任何人都不难看出这所大学的真本事。 **注** <a name="f1n">[1]</a> 如果 AI 能够编写大部分代码，学生还需要学习计算机科学吗？当然需要。计算机科学本身就是一门有趣的学科，也是理解解决问题之道的一般规律的绝佳途径。而且，即便你有 AI 帮你包揽了所有的代码，你依然身处工程经理的位置，而优秀的工程经理理应有能力胜任手下人的工作。 <a name="f2n">[2]</a> 我之所以总是给“entrepreneurship”（创业精神/企业家精神）加上引号，原因之一是，用这个词来描述创办初创公司容易产生误导。“Entrepreneurship”仅仅指开创自己的生意，而初创公司只是这个广袤世界中微乎其微的一小部分，且其运行规则截然不同。因此，把这两者混为一谈纯属自寻烦恼。 <a name="f3n">[3]</a> 当然，所有院系都会声称自己教授的是极具影响力的思想。不过，这类虚张声势似乎并无大碍。那些具备优秀创始人潜质的人，甚至都不需要去识破它们；他们压根就不会对这类院系教授的课程提起多大兴趣，自然也就不会在上面白白浪费时间。 <a name="f4n">[4]</a> 在这里，我们可以与收入差异做一个有趣的类比。收入阶层的最底端死死地钉在零点，因为总有一些人要么丧失了工作能力，要么就是眼下压根不想干活。如果你允许收入出现更大的差异，这并不会影响底端这群人的收入；n 乘以零依然是零；但在阶层的另一端，你将看到翻天覆地的变化。 <a name="f5n">[5]</a> 想必这些比赛之所以倾向于打动投资者而非用户，原因之一是只有这样才能凑出单一的一组评委。投资者是可以互相替换的，而各个产品的用户却可能截然不同。但是，如果衡量正确的东西不切实际，那也不意味着解决办法就是去衡量错误的东西。 <a name="f6n">[6]</a> 另一件容易将大学带偏最优路径的事情，是商学院（如果他们有的话）。商学院生来就不是为了培养创始人的。它们的设计初衷是为 20 世纪初兴起的大型工业企业培养管理阶层；它们是工业资本主义时代的西点军校。正因如此，它们的官方名称通常是“管理学院”。尽管它们教授的技能在运营具有一定规模的公司时或许能派上用场，但这绝非“创立”公司不可或缺的关键要素。而真正关键的技能，早已被其他科系传授了。因此，商学院在影响其母校培养创始人策略的这件事情上，只能起到帮倒忙的作用。 **致谢** 感谢 Trevor Blackwell, Daniel Diermeier, Jared Friedman, Diana Hu, Michael Kotlikoff, Jessica Livingston, Robert Morris, Harj Taggar 以及 Garry Tan 审阅本文初稿。 https://dailyup.blog/posts/2026-08-20_blog_uncle-bob-on-ai-coding/https://dailyup.blog/posts/2026-08-20_blog_uncle-bob-on-ai-coding/基于 Matt Pocock 与 Uncle Bob 直播连线写成的文章。Uncle Bob 分享他使用 Agent 写代码的实践：用 CRAP 分析、变异测试守住代码质量，用多 Agent 流水线控制上下文，调整 TDD 与模块边界策略，并给出新人成长为能指挥 Agent 的工程师的路径。Thu, 20 Aug 2026 00:00:00 GMT > 这是最近 Matt 和 Uncle Bob 的一次直播连线，两人聊的话题也是我自己比较关心的，以视频内容为基础写成了文章，分享给大家！感兴趣的建议去看[原视频](https://www.youtube.com/watch?v=zcLPGC-tvgk "直播连线视频")。  # 00 ## **先认识访谈中的两个人** [Matt Pocock](https://www.mattpocock.com/ "Matt Pocock") 是一名开发者教育者、内容创作者和工程师。他创办了 [Total TypeScript](https://www.totaltypescript.com/ "Total TypeScript")，也做过 Vercel 的开发者布道师。现在，他把工作重心转向 AI Engineering，他在 Github 上开源的 Skills 几乎是目前最受欢迎的 AI Coding 技能合集了。 [Robert C. Martin](https://www.cleancoder.com/ "Robert C. Martin") 常被开发者称为 Uncle Bob。他在 1964 年写下第一个程序，当时只有 12 岁。他从 1969 年开始从事职业编程，后来写下《Clean Code》《The Clean Coder》和《Clean Architecture》 一系列经典书籍，也在长期参与敏捷开发与软件工艺实践。 # 01 ## **Agent 写得越快，烂代码堆得也越快** Uncle Bob 最初使用 Agent 时并不满意。 他让一个早期的 Grok Agent 帮忙开发手头的项目。代码确实很快写出来了，质量却很差。他不得不不断跟在后面清理。用他自己的说法，Agent 到处留下"dog doo"。 > **dog doo** > > 这是 Uncle Bob 在访谈中的戏谑说法，直译接近"狗屎"。它指 Agent 为了让功能尽快跑起来而留下的混乱代码，例如重复逻辑、过长函数、随意依赖和缺少测试。它不是正式的软件工程术语。 速度本来应该提高效率，结果却让他变慢。 Matt 追问了一个很多开发者都会问的问题。**既然 Agent 修改代码这么快，为什么还要在意代码是否整洁？能不能继续往前冲，让它把 Bug 一个个修掉？** Uncle Bob 观察到，Agent 和人一样，也会被混乱的代码拖垮。 当他不清理前一次任务留下的问题，直接让 Agent 继续开发，代码里的混乱会逐步累积。随后，Agent 开始来回折腾。它修改一个地方，破坏另一个地方。修复第二个问题时，又把第一个问题带回来。最后，它陷入循环，甚至放弃任务。 Agent 能忍受的复杂度也许比人高，但它同样有上限。坏代码的问题不只在于人看不懂。它也会降低 Agent 后续修改代码的能力。 于是 Uncle Bob 把目光转向两种诞生已久、过去却很难持续执行的工具。 一种是 CRAP 分析。它把测试覆盖率和函数的圈复杂度放进一个公式，计算代码的风险分数。Uncle Bob 在 21 世纪初曾用它检查一个大型项目。工具找出了许多高风险函数，但逐个重构、补测试太费时间，他最终放弃了。 > **CRAP 分析** > > CRAP 是一种代码风险评分方法。它综合函数的圈复杂度和测试覆盖率。分支多、测试少的函数得分更高，也更值得优先重构。 > > **测试覆盖率** > > 测试运行时实际执行了多少代码。覆盖率高不代表测试一定有效，但覆盖率低通常意味着有些路径从未接受自动化检查。 > > **圈复杂度** > > 代码中独立执行路径的数量。`if`、循环和其他分支越多，圈复杂度通常越高，理解和测试这个函数也越困难。 另一种是变异测试。工具会故意修改源码，例如把小于号换成大于号，把等号换成不等号，然后重新运行测试。如果测试仍然通过，就说明测试没有发现这次错误修改，这个"变异体"存活了。 > **变异测试** > > 工具主动对代码做小幅错误修改，再运行测试。如果测试没有失败，说明现有测试没有真正约束这段行为。变异测试检查测试能不能抓住错误，测试覆盖率只说明代码有没有被执行。 当时，他的测试套件运行一次需要 4 分钟。变异测试要把它重复运行几百次，只能整夜执行。工具能找到问题，却很难进入日常开发流程。 Agent 改变了这里的成本结构。它不怕工作无聊，也能连续修改代码。Uncle Bob 让 Agent 跑 CRAP 分析，降低复杂度，再运行变异测试，补上没有杀死变异体的测试。过去一次变异测试要整夜运行，现在大约半小时能跑完，后续修补也可以继续交给 Agent。 Agent 的速度没有让质量工具过时。恰恰是这份速度，让一些过去成本太高的工程做法终于可以落地。 # 02 ## **少写几页规则，多设置一道过不了的检查** 许多人看到 Agent 写出坏代码，第一反应是继续补提示词。 这也是 Uncle Bob 最初的做法。他在提示词里解释测试驱动开发，列出 Clean Code 规则，告诉 Agent 代码应该长什么样。规则越来越多，最后可以写满五到十页。 效果并不好。 他借用了《加勒比海盗》里的说法。Agent 把这些规则当成海盗准则，也就是"参考意见"，不一定执行。 长提示词还会遇到 Lost in the Middle。**随着上下文不断增长，开头和结尾的内容更容易获得模型注意，中间的信息则容易被忽略。即使规则最初写在前面，只要对话继续变长，它们也会被挤进上下文中部。** > **Lost in the Middle** > > 当上下文很长时，模型更容易使用靠近开头和结尾的信息，对中间内容的利用能力会下降。写在长提示词中部的规则因此更容易失效。 Uncle Bob 因此把两类信息分开处理。 必须让 Agent 一开始就知道的内容，尽量缩短，放进初始提示。能够用程序判断的要求，则变成测试、复杂度检查、变异测试和依赖规则。Agent 可以忘掉提示词里的第 80 条规定，却绕不过一个失败的测试。 这些工具会让 Agent 变慢。它要反复修改代码，直到所有检查通过。Uncle Bob 承认，这里存在一个平衡点。如果检查多到让 Agent 比人还慢，这套方式也就失去意义。 他尚未找到那个边界。以目前的实验看，即使加入这些检查，Agent 的速度仍能达到人的两到四倍。 这个思路比继续研究"完美提示词"更接近工程。提示词给出方向，工具决定是否合格。前者依赖模型记住和理解，后者返回通过或失败。 # 03 ## **多 Agent 首先解决的是上下文污染** Matt 对多 Agent 团队一直有些怀疑。 社交媒体上常有人宣称，自己已经解雇整个团队，改用上百个拥有不同职位、还会互相发邮件的 Agent。**Matt 认为，大多数开发任务也许只需要两个角色。一个负责尽快实现，另一个负责审查和重构**。 Uncle Bob 认为，多 Agent 有两个实际价值。 第一个价值是并行。几名编码 Agent 可以同时工作，他的笔记本能运行的远不止三个。 第二个价值是控制上下文。每个 Agent 只负责一种任务，完成后立即结束。下一个 Agent 从干净的上下文开始，不会继承前一个 Agent 的思路和偏见。 他目前使用的流水线包含五个角色： 1. Specifier 把人写的需求转成 Gherkin 验收测试和 QA 操作流程。 2. Coder 编写单元测试、业务代码，并让验收测试通过。 3. Cleaner 运行 CRAP 分析和代码审查，清理实现阶段留下的问题。 4. Hardener 执行变异测试，检查测试是否真的能发现错误。 5. QA 把人工测试步骤转成可执行脚本，从界面操作系统并检查结果。 > **Gherkin** > > 一种用接近自然语言的方式描述软件行为的格式，常见结构是 Given、When、Then，也就是给定条件、发生动作、预期结果。它让业务要求可以进一步转成验收测试。 这套流程有明显开销。每个 Agent 启动都要重新理解项目，角色之间也需要传递信息。 Uncle Bob 举了一个自己的实验。一项任务交给单个 Agent，可能 5 分钟就能完成，但结果不太可靠。走完整条流水线大约需要 1 小时。同样的工作如果由人完成，可能要半天。他据此估算，流水线仍有四到五倍的速度优势，而且会执行人通常舍不得投入时间完成的质量检查。 这只是他的项目经验，不是一项可以直接套用到所有团队的性能测试。任务能否清楚拆分，验收标准能否自动执行，都会改变结果。没有这些条件，多 Agent 只会增加沟通成本。 # 04 ## **架构还不能放心交给 Agent** 自动测试可以检查行为，却不能自动给出好的模块边界。 在最近一个月之前，Uncle Bob 仍然亲自处理这部分工作。他会询问 Agent，系统有哪些模块，模块之间如何通信。得到的答案经常让他害怕。于是他重新设计模块结构，再让 Agent 按新的方案修改。 为了减少直接阅读代码，他让 Agent 做了一个架构查看器。界面会用类似 UML 的方式显示系统模块和依赖关系。他可以点击模块查看子模块，再继续深入到具体代码。 他还建立了一套依赖检查工具。人先在配置文件中声明哪些模块可以互相依赖，依赖应该朝哪个方向流动。Agent 如果违反规则，就必须通过倒置依赖、加入接口或拆分模块来修复。 这些工具可以维持已经确定的架构，却还不能可靠地设计架构。Uncle Bob 正在尝试自动化这一步，但进展并不顺利。他认为，人可能始终要参与阶段性的整理和重新划分。 Matt 在这里引入了 John Ousterhout 的深模块概念。一个浅模块暴露很宽的接口，内部却没有隐藏多少东西。深模块用较小的接口隐藏更多实现细节。 > **深模块** > > 深模块用较小、稳定的接口封装较多实现细节。调用者只需要理解接口，不必同时理解内部所有代码。浅模块则暴露很多操作，却没有替调用者隐藏多少复杂度。 这种设计同样适合 Agent。模型可以先阅读接口，理解模块提供什么能力，不必立刻加载全部实现。测试也会帮助它理解模块应该怎样工作。 模块边界混乱时，Agent 会像正在讨论咖啡却突然听到肥皂剧的人一样分心。上下文里出现太多无关内容，它便难以判断当前任务属于哪条思路。好的模块化设计限制了每次需要理解的信息，也减少了修改向外扩散的范围。 **AI 没有降低理解复杂系统的难度。它只是让糟糕的结构能以更快的速度扩散。** # 05 ## **工程原则要保留，人的习惯不必照搬** Matt 问 Uncle Bob，《Clean Code》里的哪些建议需要为 Agent 调整。 Uncle Bob 的答案是，**价值可以保留，执行阈值和操作习惯需要重新测试**。 以函数复杂度为例，他过去给人的 CRAP 分数上限是 4。面对 Agent，他已经放宽到 6，还在考虑是否可以提高到 8。Agent 有更大、更准确的短期记忆，也许能够处理更多分支。这个上限究竟在哪里，他还没有答案。 测试驱动开发也需要调整。 Uncle Bob 是 TDD 的长期支持者。对人来说，先写一点测试，再写一点实现，可以减轻短期记忆压力，让开发者始终围绕一个小目标工作。 > **TDD** > > TDD 是 Test-Driven Development，也就是测试驱动开发。典型循环是先写一个会失败的测试，再写最少的实现让它通过，最后在测试保护下重构代码。这三个阶段通常称为 Red、Green、Refactor。 他不会强迫 Agent 模仿这个节奏。Agent 经常先写完一个函数，再为函数补测试。即使提示词要求严格执行 TDD，它最后也会回到这种方式。Uncle Bob 认为，这可能更符合 Agent 的能力特点。 他的区分很准确。我们应该把人的工程价值施加给 Agent，例如可测试、低复杂度和清楚的边界。没有必要强迫 Agent 复制人形成这些价值的每一个动作。 # 06 ## **Agent 喜欢写计划，漂亮计划却很容易失败** 如果完整的 Agent 流水线运行一次需要一小时，输入一个错误需求会造成很大浪费。Matt 因此追问，**在开始执行具体工作之前，到底应该做多少规划？** Uncle Bob 尝试过详细的前期规划，结果并不好。 **Agent 很喜欢写计划**。它们会不断补充细节，把文档写得完整又漂亮。但一旦进入实现，人很快会发现计划遗漏了真实开发中的细节。Agent 没有足够的判断力处理这些未知情况，只能沿着错误方向继续执行。人最终还是要叫停、修改计划，再重新开始。 这种做法让 Uncle Bob 想起 20 世纪 70 年代的瀑布开发。先把一切定义清楚，再一次性交给开发阶段。几十年前，人做不到。换成 Agent，也没有消除需求和实现之间的未知情况。 他正在重新尝试敏捷开发。先完成一两个用户故事，检查行为和架构，必要时由人重新整理。然后继续下一小步。 他用了一个房子的例子。假设建房子的每次修改都只花 1 美元，包括重新打地基、移动楼梯和更换房间位置。你还会先花几千美元请建筑师画出一份不能更改的完美方案吗？更合理的做法，是先搭出一部分，让家人走一遍，发现动线不好就再改。 **Agent 已经把代码修改成本压得很低。前期计划并没有同步变得更准确。小步实现、快速反馈和持续整理，因此重新变得划算。** Uncle Bob 也不把规格文档当作需要永久维护的源码替代品。规格可以临时存在，随着理解变化而消失。对于他公开的 CRAP 工具、变异测试工具和 Agent 流程，他甚至建议别人不要直接下载。更好的办法是让 Agent 阅读这些实现，再针对自己的项目做一个版本。 **运行中的程序和自动化检查，比一份长期无人阅读的规格文档更接近真实约束。** # 07 ## **新人要先学会做 Agent，才可能指挥 Agent** 访谈最后转向一个难题。 Matt 用 John Ousterhout 的说法区分了战术编程和战略编程。战术工作负责把具体功能做出来，战略工作负责模块划分、技术方向和长期结构。Agent 擅长前者，却不擅长后者。 > **战术编程与战略编程** > > 战术编程关注眼前功能怎样实现。战略编程关注系统长期如何演化，包括模块边界、依赖方向和技术选择。Agent 已经很擅长执行局部任务，后者仍需要人承担主要判断。 **如果初级程序员过去通过战术工作积累经验，而这些任务现在大量交给 Agent，他们该怎样成长为能做战略判断的人？** Uncle Bob 没有假装自己已经有答案。他给出了一个仍很粗糙的培养路径。 **学习者首先要亲自写代码**。也许写一年，也许需要别的时长。**重点是亲手经历实现过程，知道 Agent 正在面对什么**。 进入大量使用 Agent 的公司后，新人可以先被当作一个 Agent。负责人把同样的实现任务分给新人，让他接受测试、复杂度检查和变异测试的约束。这个阶段可能持续几个月，产出会很低，但新人能在密集反馈中看到自己的代码为什么失败。 之后，他才开始监督和运行自己的 Agent。 Uncle Bob 仍建议新人理解计算机底层。十年前，他会让只写 Java 的程序员花一个周末学习汇编语言，因为不了解下面发生了什么，就容易把抽象层当成魔法。现在，这条学习路径仍然成立。学习者应该理解二进制、汇编语言、C 一类的底层语言、高级语言，再进入 Agent 和自动化工具。 他还建议阅读一些老书，例如 Tom DeMarco、Ed Yourdon 的作品和《程序员修炼之道》。其中一些技术细节已经过时，但软件复杂度、模块化和工程判断的经验正是在那个年代形成的。 **真正难教的，是如何识别 Agent 正在挣扎。** Uncle Bob 之所以能看出 Agent 陷入循环，是因为他自己经历过同样的困境。新人看到 Agent 反复修改时，可能只觉得它还在工作。资深程序员却能认出，这是代码结构已经开始阻碍修改。 **AI 也许能缩短这类经验的反馈周期**。Matt 举例说，过去一个架构错误可能在九个月后才暴露。Agent 快速推进项目，也会更早撞上那堵墙。**新人需要看到失败过程，只拿最终生成的代码学不到这些判断。** # 08 ## **程序员的工作会离代码远一点，离工程更近一点** Uncle Bob 的目标，**是尽量不再逐行阅读 Agent 生成的代码**。他仍会查看 CRAP 分数、抽查实现，并运行其他测试，但不想用人的速度限制 Agent。 程序员仍然要参与开发，只是更多工作移到了代码周围。定义模块边界，选择质量阈值，把模糊要求变成可执行检查，在小步迭代中判断方向，这些任务决定了 Agent 最终会加速什么。 每次编程抽象层提高，都会有人担心程序员失业。机器码之上有汇编语言，汇编语言之上有高级语言和编译器，现在又多了模型。 **工具替人完成了更多操作，但没有替人消除软件本身的复杂度。** Uncle Bob 认为，**软件工程基本原则仍然有用，因为它们帮助人和模型组织复杂度**。那些现在被嫌弃为过时、准备扔掉的规则，很可能在 Agent 把项目推到失控边缘之后，又被人重新捡回来。 # 09 ## **结语** **两人的讨论反复指向代码库中的复杂度。** 模型可以不断升级，代码库仍然会积累问题。Agent 能加快实现，也能加快混乱。工程师要决定哪些结果可以接受，用测试和工具留下可以重复执行的标准。 这也是我喜欢这场直播连线的一点，真实，很多问题并没有确定性的答案，但他们的一些思考和实践确实带来很多启发。 希望对你也有用！ ##### [全文完] <section style="margin: 4rem 0 1rem 0; font-size: 16px; color: #8C7B65; letter-spacing: 2px; font-weight: bold; text-align: center;"> ✦ BETTER, EVERY DAY ✦ <p style="margin: 0 0 25px 0; font-size: 14px; color: #5A5A5A; line-height: 1.8; padding: 0 10px; text-align: justify; text-align-last: center;"> 如果你对 <strong style="color: #8C7B65; font-weight: normal;">AI 时代如何创作与学习</strong> 感兴趣 <br><br> <span style="font-size: 12px; color: #999;">请添加下方微信，一起学习交流</span> <img src="https://img.dailyup.xyz/originals/8208527771817-0fb20925-0448-4954-bba9-58b24bba41e7.jpg" style="width: 240px; display: block; margin: 1rem auto;" alt=""> </section> https://dailyup.blog/posts/2026-07-05_blog_career-advice-in-the-age-of-ai/https://dailyup.blog/posts/2026-07-05_blog_career-advice-in-the-age-of-ai/翻译自 Phil Chen 的文章，谈 agentic coding 兴起后未来十年真正有价值的职业技能：稀缺资源、发现问题、最有野心的形态、最后一公里、xG 与效率、研究者心态。Sun, 05 Jul 2026 00:00:00 GMT  > 今天在 X 上看到[这篇文章](https://x.com/philhchen/status/2072793818945167475 "这篇文章")，觉得挺不错的，于是在 AI 的协助下翻译了一版，分享给大家。 # 00 ## 前言 AI 模型表现更好的地方，是那些能写出损失函数的事情。 **而学校里大多数事情，恰恰都是损失函数**：题目定义清楚，答案早已知道，成绩按标准答案来判。 因此，**未来十年真正有价值的工作，正是那些无法在模型训练周期内被评分的事情**。 过去六年工作中，我很幸运，和许多优秀的人共事过。他们来自不同规模的公司：从我自己的创业公司，到 Helm AI（15→50 名全职员工）、Scale AI（500→1500 名全职员工）、OpenAI（1500→3000 名全职员工），再到 Google（10 万名以上全职员工）。 作为一名创业者，我花了很多时间思考：**对公司现在和未来来说，什么样的人才是合适的**。 因为我们是一家完全 agent-native 的公司，所以我们的需求，和我过去待过的任何一家公司都很不一样。 对于那些有动力、有野心、职业生涯刚起步的人，我现在对未来十年什么技能有价值，有了更清楚的看法。 我给过很多职业建议，也收到过很多职业建议。 许多著名的老话依然成立，比如「加入火箭船时，不要问坐哪个座位」之类。但随着 agentic coding 的兴起，很多东西也已经改变。 下面我想谈谈：哪些仍然成立，哪些已经是新的规则。 # 01 ## 把注意力放在真正稀缺的资源上 加入 Scale AI 之前，我拿到过量化公司的 offer，保证现金收入要高得多。但我最终选择了 Scale，因为我看重那里的社群，也看重接触 Scale 各类产品和应用的机会。 通过 Scale，我接触到了 LLM 推理服务商，这后来带来了我进入 DeepMind 和 OpenAI 的机会。我也认识了许多同样有野心的同事，如今他们成了一个由 Scale 出身的创业者组成的社群。 今天回头看，Scale 带给我的独特人脉和学习机会，对我人生的价值，远远超过当年那份量化工作多出来的现金。 现在，获得资本比过去任何时候都容易。**真正稀缺的，仍然是时间，以及和优秀的人建立真实、牢固关系的机会**。 在过去相关领域中被证明过的卓越表现，仍然是最强的信号。 所以，我的具体建议是：**花时间做真正好的工作，并且让那些同样在做真正好工作、声誉可靠的人知道你做了什么**。 你要极其严格地管理自己的时间。无论你在做的是学业、项目，还是实习，都要把注意力放在你认为有意义的问题上。 借助 vibe coding，找到一些能快速赚点钱的机会并不难；但如果你寻找的是真正的价值，最终的回报通常会大得多。 **时间、关系、声誉：这些才是值得你集中注意力的真正稀缺资源。** # 02 ## 不只要学会解决问题，还要学会发现问题 为了在一大批候选人中识别出真正的信号，我们认真思考过：在一家 agent native 公司里，今天的工程师到底需要什么能力。 既然已经没有人手写任何一行代码，那么传统的 Leetcode 式面试题，甚至系统设计题，都显得和真实工作表现不再高度相关。 最后，我们设计出一系列面试，用来衡量一个人能否快速理解自己所处的环境，识别出值得解决的问题，并且在既有环境的约束下，把问题真正解决掉。 **未来最重要的技能，将和「问题选择」与「资源分配」有关**。 越来越强大的 agent 已经能够处理复杂但定义清楚的问题。因此，**最有影响力的人，将是那些最擅长识别重要问题，并能把 token 和时间分配到这些问题上的人**。 我看到一种趋势：学生们发现 agent 能解完他们所有的习题集，于是感到沮丧。但以我面试候选人的经验来看，不同候选人的表现差异依然很大：他们到达解法所需要的时间和 token 数量，差别非常明显。优秀的候选人，通常会带着高层次的直觉和外部背景知识，去和 agent 协作。 具体来说，**那些被我们高度评价的候选人，往往都曾经深度沉浸在解决问题的环境里**：要么来自他们自己的热情项目，要么来自高速成长的公司。在那样的公司里，有意义的问题远比能解决问题的人更多。 # 03 ## 去做一个问题最有野心的形态 过去十年，研究中最有用的心智框架之一，是「苦涩的教训」：**最终胜出的，往往是可扩展的通用方法，而不是面向具体任务的局部优化**。这个教训同样适用于选择问题和选择公司。 公司和职业生涯的结果，一直都服从幂律分布；而 AI 加速了我们通向这些结果的速度。 现在，构建软件的门槛已经大大降低，任何人都能相对轻松地做出简单系统。**真正持久的价值，只会来自对真正有野心问题的极致专注。** 选择公司时，这里的建议很简单：**看这家公司是不是在解决它所面对问题中最有野心的那个版本**；再看它是否真的有机会把这个问题解决。选择岗位时，则要思考：**这个岗位能不能让你直接站在公司所解决问题的前沿**。 # 04 ## 冲刺最后一公里 对创业公司来说，Alfred Lin 有一篇很好的文章，讲到最后 10% 既是 90% 的工作，也是 90% 的回报。 AI 让结果变得更加两极分化，因为中位数水平的结果，就是一个 agent 在一个粗糙 prompt 下就能产出的东西。 因此，价值来自两件事：**你对某一类问题有独特视角，或者你对细节有非同寻常的关注**。 学会把最后一公里执行好，既需要练习，也需要专注。任何东西第一次都不会完美，所以最后一公里往往意味着反复迭代。 由于 coding agent 的进展非常快，有时候最好的做法，是吸收前几轮迭代中的经验，然后直接用下一代智能从头开始。你可以在自己的项目中练习这一点。 主动多花一点时间，把事情打磨得更好：**更精致一点，架构更干净一点，可扩展性更强一点，或者更有创造力一点**。 在候选人身上，我确实看到过这种训练带来的差异。 # 05 ## 同时提高 xG 和效率 在足球中，xG，也就是 expected goals，意思是「**预期进球数**」。 它根据球队在一场比赛中获得的机会，结合距离、角度、守门员位置等因素，估算这支球队本应打进多少球。**效率，则是这些机会实际转化成进球的比例。** 把 xG 和效率这个类比用到我的职业生涯上，我觉得相当准确。 2023 年，我拒绝了 Anthropic 的 offer，当时他们大约有 50 名全职员工；也拒绝了 Cursor 的 offer，当时他们除创始人外只有 2 名全职员工。 原因是，我当时想在 DeepMind 做前沿模型的推理和训练。2024 年，我又一次拒绝了这两家公司，选择去 OpenAI。站在职业角度看，这些备选机会的 xG 都很高，但我最终选择了更符合自己兴趣、文化匹配度和目标的公司，这里的「目标」，也算是一语双关。 职业生涯很长，机会来来去去。我不相信 ASI 会取代所有从事知识工作的人类，因为人在为 ASI 选择有意义的问题、并为这些问题配置资本时，仍然有差异化能力。 **不是每个机会都会变成进球，但站到正确的位置、能看见机会，是进球的第一步**。 这依然取决于声誉和专业能力。Cursor 的机会之所以出现，是因为我在 Michael 和 Aman 的共同联系人那里有不错的声誉；Anthropic 的机会之所以出现，是因为我在职业和个人时间里，都持续投入到他们团队感兴趣的问题上。 不过，**人生到了某个阶段，关键就不只是看见机会，而是把球打进。** 所以，门前效率也很重要。回头看自己的决定，我认为很多判断是对的，但我也希望自己当时能花更多时间收集信息，让决策依据更充分。 从根本上说，选择早期公司，主要看团队和市场。今天许多候选人会盯着公司现有产品不放，但如果团队足够好，产品几乎总会演化成完全不同的东西。Anthropic 最早的 demo，是一个 Slackbot；对我来说，它还不如 ChatGPT 好用。 # 06 ## 现在你就可以进入研究 最近，我收到很多问题，都是问如何进入研究领域。我的前同事 Vlad 现在是 Gemini 团队的负责人之一，他在这里写过一篇非常好的[文章](https://vladfeinberg.com/2026/05/10/how-to-land-a-job-at-a-frontier-lab.html "文章")，谈了他的看法。 现代研究如果有更多算力，当然会更容易做。但一个很好的起点，是先大量使用模型，然后把自己的直觉提炼成评测。我的前同事 [@kellerjordan0](https://x.com/kellerjordan0 "@kellerjordan0") 推出的公开优化排行榜，也为更有结构地探索想法提供了很好的场域。 许多算力服务商，比如 Modal，都会为学术人员提供额度。现在就去使用它们，探索你的想法。大多数想法最终都会在规模化时失败，而理解这些失败，正是建立判断力、弄清楚什么真正有效的第一步。 归根结底，我相信，**研究者首先是一种心态，而不是一个职业头衔**。 前沿实验室里的研究者，大部分工作其实是几件事的混合：足够好奇，愿意探索新想法；和基础设施搏斗，把想法真正实现；极其细致地理解整个系统，以便高效调试问题；并且能清楚表达结果的价值，从而争取到更多算力。 所有这些事，即使不在前沿实验室里，你也一样可以做。 # 07 ## 结语 这个世界依然充满机会。 **打开这些机会的关键，是专注于发现有趣的问题，并交付非凡的结果**。 ##### [全文完] <section style="margin: 4rem 0 1rem 0; font-size: 16px; color: #8C7B65; letter-spacing: 2px; font-weight: bold; text-align: center;"> ✦ BETTER, EVERY DAY ✦ <p style="margin: 0 0 25px 0; font-size: 14px; color: #5A5A5A; line-height: 1.8; padding: 0 10px; text-align: justify; text-align-last: center;"> 如果你对 <strong style="color: #8C7B65; font-weight: normal;">AI 时代如何创作与学习</strong> 感兴趣 <br><br> <span style="font-size: 12px; color: #999;">请添加下方微信，一起学习交流</span> <img src="https://img.dailyup.xyz/originals/8208527771817-0fb20925-0448-4954-bba9-58b24bba41e7.jpg" style="width: 240px; display: block; margin: 1rem auto;" alt=""> </section>https://dailyup.blog/posts/2026-07-02_blog_dailyup-course-platform/https://dailyup.blog/posts/2026-07-02_blog_dailyup-course-platform/正式介绍 DailyUP 课程平台，以及围绕 AI、Obsidian、Agent Skills、AI 自学力和 AI Coding 陆续上线的一系列录播课程。Thu, 02 Jul 2026 00:00:00 GMT Hello，大家好，我是大圣不是圣。 算起来，又有一段时间没有更新公众号了。 上一次发文章，已经是一个多月前的事情。 这段时间在忙什么呢？ 简单给大家汇报一下，我基本上只做了一件事：**设计、录制、上线 AI 相关的录播课程，并搭了一个配套的课程平台：DailyUP。**  网址是：https://dailyup.xyz，欢迎大家访问。 这篇文章，主要就是聊聊这件事的一些细节，正式介绍一下这个平台，以及接下来会陆续上线的一系列课程。 如果你正在关注 AI，尤其是关注： - AI 时代如何更好地学习 - 如何用 AI 和 Obsidian 构建知识库 - 如何把 AI 变成真正的创作和生产力工具 - 如何理解 Agent、Skills、AI Coding 这些新能力 那 DailyUP 后面会持续围绕这些方向展开。 # 01 ## **为什么选择做录播课？**  这其实是我经过一段时间测试之后的选择。 过去我做过不少直播课和线下工作坊。 直播课当然有它的好处：有现场感，有互动，大家遇到问题可以直接提问，我也可以停下来现场演示。 但后来我发现，对于 AI 学习来说，直播课有一个天然的问题： **直播的时候，大家很难真正跟着一步一步操作。** 尤其是 AI 工具、Obsidian、插件配置、Agent Skills 这类内容，看起来像是我演示一遍，你就会了，但真正自己动手的时候，往往会遇到各种奇奇怪怪的问题。 - 运行环境不一样 - 模型能力不一样 - 甚至一个按钮的位置变了，都会卡住 所以即使是直播课，大家最后也很依赖回放。 既然如此，我就在想为什么不做成录播课呢，既能把内容讲得更紧凑，又能让大家随时回看、暂停、跟练。 录播课最大的好处是：**它可以被反复观看，也可以被精心设计。** 一个 30 分钟的录播视频，如果放到直播里，可能要讲 1 个小时。 因为直播里会有停顿、互动、等待、临场发挥，也会有很多枝枝蔓蔓。 而录播课可以把这些内容压缩掉，把真正有价值的讲解、演示、操作流程留下来。 对学习者来说，也更适合： - 第一次先完整看一遍 - 第二次跟着动手做 - 遇到问题再回到具体章节反复看 - 后面忘了，也可以随时回来查 所以我现在的想法是： **核心内容用录播课沉淀下来，后续如果时间允许，再配合直播答疑。** 这样可能会更合理。 为了让录制效果更好一点，我甚至还专门用 AI Coding 做了一个小工具：左边放 PPT，右边做实际演示。  这也算是我自己实践 AI Coding 的一个小案例。 # 02 ## **为什么要做 DailyUP？** 既然要做录播课，总得有一个地方放视频、卖课程、做交付。 最省事的办法，当然是用小鹅通这类成熟平台。 它们已经支持直播、录播、付费、分销、社群等功能。从效率上看，这肯定是最简单的。 那我为什么还要花时间自己做一个课程平台？ 主要有两个原因。 第一个原因是：**我希望 DailyUP 是一个可以长期生长的 AI 学习品牌。** 如果只是偶尔卖几节课，那用第三方平台就够了。但我并不只是想做几节零散的工具课。 我更希望围绕一个长期主题：**AI 时代，普通人如何更好地学习、创造和成长。** 持续积累内容。 这个主题很大，也足够长期。今天可能是 Obsidian，明天可能是 Agent Skills，后天可能是 AI Coding。 再往后，可能是个人知识系统、学习方法、创作系统等等。 第二个原因是：**DailyUP 平台本身，也可以成为一个 AI Coding 的真实案例。** 既然我们讲 AI，讲 AI Coding，讲如何把想法变成工具和产品，那为什么不把课程平台本身也作为一个案例呢？ 这个平台不是一个特别复杂的大项目，但也不是一个玩具 Demo。 它有真实需求： - 课程展示 / 视频播放 - 付费购买 / 优惠码 - 用户登录 / 权限管理 - 课程文档 / 后续内容更新 这些都是一个真实产品会遇到的问题。 未来如果开设 AI Coding 相关课程，DailyUP 完全可以作为一个很好的案例来拆解：**如何从一个想法出发，借助 AI，把它一步步做成一个可以真实使用的平台**。 这比单纯讲一个虚构项目更有意思。因为里面有真实的选择、真实的坑、真实的妥协和迭代。 # 03 ## **DailyUP 是什么意思？**  简单说，就是：每天进步一点点。 英文是：**Better, every day.** 这也正好对应我一直很喜欢的一句话：**日拱一卒无有尽，功不唐捐终入海**。 学习这件事，很多时候不是靠一口气冲很远，而是靠每天往前拱一点点。 尤其是在 AI 时代。 变化太快了。你不需要一下子掌握所有工具，也不需要一开始就成为高手。 但你需要保持一种状态： **持续好奇，持续动手，持续更新。** DailyUP 想做的，就是这样一个地方。 尽量用清楚、具体、可操作的方式，陪大家一点点把 AI 用起来。 域名是： https://dailyup.xyz ，几年前在为博客（ https://dailyup.blog ）购买域名时就一并买了，没想到现在恰好用起来了。 xyz，三维空间任何位置的坐标表示，你可以理解为：**我们在学 AI，也可以借助 AI，学习其它任何内容**。 # 04 ## **为什么 logo 是一只大象？**  很多朋友可能会好奇，为什么 DailyUP 用大象做 logo。 其实没有特别复杂的含义。 大象，是我很早以前被朋友取的一个绰号。后来给学生上课，就慢慢沿用了下来。 当然，我自己也很喜欢大象。 它稳重，聪明，记忆力好，也有一种不慌不忙往前走的感觉。 这和我理解的学习也很像：**不是追热点式地到处乱跑，而是一步一步，慢慢形成自己的系统。** 每天一点点，日拱一卒，最后终入海。 # 05 ## **DailyUP 上会有哪些课程？**  接下来 DailyUP 上的课程，会围绕 AI 时代的学习、创造和工具使用展开。 这里我先说一下关于课程的两条原则。 **第一，所有录播课都不是凭空拍脑袋做出来的。** 目前上线或准备上线的课程，要么我在线下讲过，要么做过工作坊，要么上过直播课。 也就是说，它们都至少经过了一轮真实场景的检验。 **第二，这些内容基本上都是我自己在真实学习和工作中正在使用的东西。** 不是简单转述二手信息，也不是把工具说明书重新念一遍。 比如我为什么要讲如何用 AI x Obsidian 构建第二大脑，这是因为我自己真的用了很多年 Obsidian（从 2021 年开始到现在，五年时间，累计了超过 6000 张卡片），也长期在用 AI 改造自己的知识工作流。 我讲 AI 自学力，是因为我一直在思考 AI 时代到底应该如何重新理解学习，并且真实长期地带着一些学生在应用实践。 所以 DailyUP 前期的课程方向，会非常有个人偏好。 它们会集中在这些主题上： - AI 与个人知识库 - Agent Skills 实战 - AI 自学力 - AI Coding - 普通人如何建立自己的 AI 工作流 # 06 ## **正在上线和录制的课程** 目前 DailyUP 上已经上线或正在录制的课程包括： #### 1. 从零构建 AI × Obsidian 第二大脑  这门课是一个比较系统的课程，关注一个问题：**如何构建一个 AI 能理解、也能长期服务于自己的个人知识系统？** 我们会从零开始搭建一个适合 AI 协作的 Obsidian 知识库，理解目录结构、笔记模板、输入输出流程，以及如何让 AI 参与整理、总结、提问和创作。 这门课适合想认真建设个人知识库、长期写作、学习、研究和创作的朋友。 目前课程已经在售，预计 7 月上旬全部视频上线。 #### 2. 玩转 Obsidian Web Clipper 插件  Obsidian Web Clipper 是一个非常适合做网页剪藏的工具。 如果你经常阅读文章、收藏资料、做知识管理，这个插件非常值得掌握。 这门课会讲基础配置，也会讲如何结合模板、属性、规则和 AI 相关功能，让网页剪藏不只是保存网页，而是成为知识输入流程的一部分。 课程在售，视频已经上线。 > 注意：这门课的内容已包括在 《从零构建 AI × Obsidian 第二大脑》这门课中了，如果已购买，就不用再买了。 #### 3. Agent Skills 从入门到实战  Agent Skills 是刚出来我就非常关注的一个方向。 用一句话说，Skills 就是：**把你的常用工作流程，封装成 AI 可以稳定复用的能力模块。** AI 不是只用来聊天的，更有价值的地方在于： - 它能不能理解你的任务流程？ - 能不能把复杂任务拆成稳定步骤？ - 能不能一次次复用，而不是每次重新解释？ 这门课会从最基础的概念讲起，过渡到精选 Skills 讲解，再进入到如何构建自己的 Skills 技能库 。 课程正在录制中，预计 7 月 10 日上线开售。 #### 4. AI 自学力：从会提问到会学习  这门课是我一直很想讲的，陆续也在带着一些学生在实践，我一直觉得，学会学习的能力，在 AI 来临后，变得越来越重要了。 这门课会专注于：**如何借助 AI，让自己变成一个更会学习的人。** 我们会把 AI 工具和学习方法结合起来，讨论普通人如何在 AI 时代建立自己的自学系统。 课程正在录制中，预计 7 月下旬上线开售。 # 07 ## **后续计划中的课程** 除了上面这几门课，后面还计划陆续推出一些更基础或更通用的课程。比如： - AI 通识课 - AI Coding 101：从想法到工具和产品 - 为 AI 打造适合的终端环境（macOS） - AI 写作与内容创作工作流 - 普通人的 Agent（智能体）应用与实践 这些课程会陆续排期，确定后会在 DailyUP 网站上发布。 # 08 ## 目前存在的问题 这里也坦诚和大家说一下。 DailyUP 刚上线，录播课也还在不断迭代中，所以它现在肯定不是一个完美状态。 我自己回看视频的时候，就发现了一些问题。比如**有些视频讲得还不够流畅，有些演示过程中出现了小瑕疵**。 表达的问题，对我来说是挑战，但也是一个新的刻意练习机会。 操作演示的问题，我在回看时会把这些问题记录下来，在随堂资料中做补充说明，必要时我会重录。 我希望大家能感觉的变化是：**越到后面的视频，讲解越顺**。 这也是 DailyUP，每天进步一点点。 # 09 ## **定价与上线优惠** DailyUP 后面的课程会分为免费和付费两部分。 付费课程目前采用单独购买的方式。暂时不做订阅制。 原因也很简单：课程还在早期，我希望大家根据自己的需要选择具体课程，这样更清楚，也更省事。 由于 DailyUP 平台刚刚上线，内容还在陆续补充中，所以从现在开始到 2026 年 7 月 31 日，使用下面的折扣码，所有这期间可以购买的课程都享受 7 折优惠。 > 7 折优惠码：**DDUPZOSMCZ** 目前正在录制和上线的 4 门课程，都可以使用这个折扣码： - 从零构建 AI × Obsidian 第二大脑 - 玩转 Obsidian Web Clipper 插件 - Agent Skills 从入门到实战 - AI 自学力：从会提问到会学习 # 10 ## **常见问题** 下面把一些常见的问题列出来，望大家知晓和理解。 #### 1. 购买后是否可以退费？ 线上课程属于数字产品，**购买后暂不支持退费**。所以也请大家在购买前确认适合自己再购买。 #### 2. 是否有课程支持群？ 有。购买课程后，可以加我微信，请注明你的购买账号（也就是邮箱），以及购买的课程名。 我会拉你进入对应的课程支持群。 #### 3. 学生是否有特殊优惠？ 有。我一直鼓励学生尽早学习和使用 AI。如果你是在校学生，可以加我微信，说明情况后，我单独发你学生 5 折优惠码。 #### 4. 如果我有课程建议呢？ 非常欢迎。 如果你有什么想学的主题、遇到的问题、希望我录制的课程选题方向，都欢迎加我微信告诉我。 # 11 ## **最后**  这次做 DailyUP，对我来说也是一次新的开始。 以前我更多是直播上课或线下工作坊做分享。现在我希望把这些内容慢慢沉淀成更系统、更稳定、可反复学习的课程。 这个过程肯定不会一开始就完美。 - 平台会继续改 - 课程会继续录 - 表达也会继续打磨 但这件事值得慢慢做。 **AI 时代真正重要的，不只是追上某一个工具，而是建立一种持续学习、持续创造、持续进化的能力。** 这也是 DailyUP 想和大家一起做的事情：每天进步一点点。Better, every day. 我们一起，日拱一卒。 欢迎访问 DailyUP： https://dailyup.xyz ，也感谢大家支持、购买、反馈、转发。 ##### [全文完] <section style="margin: 4rem 0 1rem 0; font-size: 16px; color: #8C7B65; letter-spacing: 2px; font-weight: bold; text-align: center;"> ✦ BETTER, EVERY DAY ✦ <p style="margin: 0 0 25px 0; font-size: 14px; color: #5A5A5A; line-height: 1.8; padding: 0 10px; text-align: justify; text-align-last: center;"> 如果你对 <strong style="color: #8C7B65; font-weight: normal;">AI 时代如何创作与学习</strong> 感兴趣 <br><br> <span style="font-size: 12px; color: #999;">请添加下方微信，一起学习交流</span> <img src="https://img.dailyup.xyz/originals/8208527776329-fb95b51e-c46d-48a8-9de5-c3cf881e3b2f.jpg" style="width: 240px; display: block; margin: 1rem auto;" alt=""> </section> https://dailyup.blog/posts/2026-05-17_blog_weread-skills/https://dailyup.blog/posts/2026-05-17_blog_weread-skills/微信读书竟然出官方 Skills 了，而且提供了官方 API Key 可以直接集成使用。查询书架、书籍详情、笔记划线，完全可以和自己的知识库工作流程结合起来。Sun, 17 May 2026 00:00:00 GMT 微信读书竟然出官方 Skills 了，这真没想到，而且提供了官方 API Key 可以直接集成使用，赞一个！ **官方地址：** https://weread.qq.com/r/weread-skills  可以干的事情多了，完全可以集成到自己的工作流程中去。 # 01 ## 快速配置  安装很简单： ```bash 下载 https://cdn.weread.qq.com/skills/weread-skills.zip 安装 skill ``` > 实际上，这种安装方式对于其他 Skills 的安装也有帮助，特别适合非技术的朋友安装使用 Skills。 比如，我把这段指令发给 Claude Code，下面是我安装的结果。  提示我们需要提供 API KEY。 我们需要点击"登录微信读书"，登录后获取 API Key。  需要注意的是，在登录时，**不要**用系统自己的"微信快捷登录"去登录，自动登录后没用。 点使用其他头像、昵称或账号，**直接用手机微信扫描二维码登录**。（不知道这是不是一个 Bug）  复制 Key，按要求，在命令行中配置（把下面的 apikey 替换成你的 API key ） ```bash export WEREAD_API_KEY=<你的apikey> ``` > 不建议直接把 API Key 告诉 AI，让 AI 去处理。 # 02 ## 如何使用 使用也很简单。 ### 1. 查询书架有多少书 比如查看一下我的书架有多少本书，直接问： ``` /weread 查看我的书架有多少本书 ```  > 我自己习惯显示调用技能，实际上大家直接问"我的微信读书书架有多少本书" 也可以 ### 2. 查询一本书的详情 ``` /weread 查看一下人类简史这本书的详情 ```  上面只截取了一部分结果。获取到的信息还是比较全的，有基本信息、评分数据、内容简介，甚至还有阅读状态。 还有大家以前想各种方法想获取的笔记和划线也都可以。 想一想，可以玩的就多了，**完全可以和自己的知识库工作流程结合起来**！ <section style="margin: 4rem 0 1rem 0; font-size: 16px; color: #8C7B65; letter-spacing: 2px; font-weight: bold; text-align: center;"> ✦ BETTER, EVERY DAY ✦ <p style="margin: 0 0 25px 0; font-size: 14px; color: #5A5A5A; line-height: 1.8; padding: 0 10px; text-align: justify; text-align-last: center;"> 如果你对 <strong style="color: #8C7B65; font-weight: normal;">AI 时代如何创作与学习</strong> 感兴趣 <br><br> <span style="font-size: 12px; color: #999;">请添加下方微信，一起学习交流</span> <img src="https://img.dailyup.xyz/originals/8208528100863-7089e7c9-8df0-47ea-b5ee-e4716985e549.jpg" style="width: 240px; display: block; margin: 1rem auto;"> </section>https://dailyup.blog/posts/2026-05-16_blog_reread-the-art-of-unix-programming/https://dailyup.blog/posts/2026-05-16_blog_reread-the-art-of-unix-programming/Unix 哲学的核心是"如何在复杂性和灵活性之间找到平衡"，这恰恰也是知识管理要回答的核心问题。本文把 Unix 的几条关键设计原则，与 AI x Obsidian 知识库实践做对照。Sat, 16 May 2026 00:00:00 GMT 刚重读了 Eric S. Raymond 的《Unix 编程艺术》，一本二十年前的软件哲学经典。  读着读着发现一件事，这本书表面上在讲操作系统和软件设计，但它的底层智慧，几乎可以逐条映射到今天我自己用 AI x Obsidian 构建个人知识系统的实践上。 Unix 哲学的核心问题是：**如何在复杂性和灵活性之间找到平衡？** 这恰恰也是知识管理要回答的核心问题。 这篇文章，我想把 Unix 的几条关键设计原则，和我自己构建知识库的实践做一个对照。 当然，**不是为了类比而类比，而是因为这些对照确实能帮我们想清楚一些东西**。 # 01 ## 做好一件事：原子化卡片的原则  Unix 哲学最著名的一条：**每个程序只做一件事，并把它做好。** `sort` 只排序，`uniq` 只去重，`grep` 只搜索。每个工具都足够简单，足够可靠。没有一个工具试图大而全地解决所有问题。 映射到知识库：**一张卡片只装一个想法。** 这是 Zettelkasten 卡片笔记法的核心原则，也是我在 Obsidian 实践中最深刻的体会。  **一张卡片讲清楚一个概念、一个观点、一个案例，它就能被灵活地连接、组合、复用。** 如果你把一张卡片写成了一篇文章，什么都有，什么都不聚焦，它就失去了原子化的灵活性。 就像 Unix 里，下面这组 Bash 命令： ```bash git log | sort | uniq -c | sort -nr ``` 四条命令，各自只做一件事： - `git log`：输出提交历史 - `sort`：排序 - `uniq -c`：去重并计数 - `sort -nr`：按数值倒序排序 这条管道，每个工具各自只做一件简单的事，但**组合起来就能生成一份完整的贡献排行榜**。 知识库里的卡片也是如此：单张卡片看起来不过如此，但通过双向链接和 MOC（内容地图）组合在一起，就能涌现出远超个体之和的理解。  知识库的力量来自于卡片之间的链接，而不是任何一张孤立的卡片。 # 02 ## 管道与组合：链接胜过分类  Unix 真正的杀手级发明不是某个具体程序，而是**管道（pipe）**，用 `|` 把简单工具串成复杂工作流。 管道的核心思想是：**不需要一个超级程序来处理所有事情，只要每个程序的输出可以作为下一个程序的输入，你就能通过组合来完成几乎任何任务**。 映射到知识库：**双向链接就是知识库的管道。** 传统的知识管理依赖分类，把笔记塞进文件夹层级里。但分类是刚性的：一篇笔记该放"学习方法"还是"认知科学"？一篇关于 Unix 管道设计的读书笔记，该放"编程"还是"设计哲学"？ `Obsidian` 的双向链接给出了一种更优雅的方案：不强制分类，而是通过链接让知识自然关联。 一篇关于"涌现"的卡片可以同时链接到"复杂科学"、"系统思维"、"蚁群行为"、"知识网络"，就像 Unix 管道可以把任意工具组合在一起一样。  MOC（Map of Content）则相当于一个精心编排的管道脚本：它不存储新知识，而是把已有的卡片按主题组织起来，形成一条阅读路径。 你可以有多张不同的 MOC 指向同一批卡片，就像同一个工具可以出现在不同的管道中。 **关键洞察：不要问这个知识属于哪个分类，而要问这个知识能和哪些知识组合。** # 03 ## 一切皆文件：Markdown 的统一接口  Unix 做了一件非常优雅的事：它把硬盘、键盘、打印机、网络套接字……统统抽象为"文件"。你用同一套 `read/write` 接口就能操作所有东西。 这极大地降低了系统的复杂性。开发者不需要为每种设备学习不同的 API，只要理解"文件"这一个概念就够了。 映射到知识库：**一切皆 Markdown。** Obsidian 的核心理念是"File over App"，你的笔记不是某个应用数据库里的私有格式，而是文件系统里普普通通的 Markdown 文件。这意味着： - 你的知识不被任何工具锁定 - 你可以用任何文本编辑器打开 - Git 可以追踪每一次修改 - AI 可以直接读取和处理 - 搜索工具、脚本、自动化都可以无缝接入 就像 Unix 的一切皆文件让不同程序可以无缝协作一样，**Markdown 的一切皆纯文本让不同的工具和工作流可以在你的知识库上自由组合**。 实际上，这也是为什么 Obsidian 碰上 AI 后发挥出更大价值的重要原因，Markdown 纯文本文件天然对 AI 友好呀。 # 04 ## 透明性原则：可理解的知识系统  Unix 的透明性原则说的是：**系统的内部状态应该是对用户可见的。** 不要用复杂的抽象层把实现细节藏起来。当系统出问题时，用户应该能直接看到哪里出了问题，而不是面对一个黑盒。 映射到知识库：**你的知识系统应该是你"看得见"的。** 这听起来理所当然，但实际操作中很多人忽略了。如果你用 Notion 那样的数据库视图管理知识，看起来很漂亮，但你很难看到知识之间的真实关系。**你看到的是表格和标签，不是连接和网络**。 Obsidian 的图谱视图、反向链接面板、搜索功能，**这些工具的目的都是让知识库的内部状态变得可见**。你能看到一张卡片被哪些其他卡片引用，能看到一个主题周围聚集了哪些知识点，能发现原来这两张卡片居然有关联。 透明性的另一个层面是：**AI 的作用过程也应该是可见的。** 当你让 AI 帮你整理笔记、生成摘要时，你应该能追溯它用了哪些材料、做了什么判断。 AI 不应该是一个黑盒，而应该像一个透明的管道，你能看到输入是什么、输出是什么、中间发生了什么。 这也是为什么我在实践中坚持：**所有进入知识库的内容，必须经过自己的大脑。AI 帮助整理，但人负责判断。** # 05 ## 早发布、常发布：先完成再完美  开源社区有一句名言：**Release Early, Release Often.** 早发布，常发布。 不要等到代码完美了才发布第一版。先让一个能跑的版本出去，然后根据反馈迭代。足够多的眼球，所有 Bug 都会浮出水面。 映射到知识库：**输出是学习的一部分，而不是学习之后的附属品。** 很多人的知识管理习惯是：先把知识收集好、整理好，等到准备好了再输出。结果往往是永远没有准备好的那一天。 Unix 的早发布哲学提醒我们：**不完美的输出远比从未发布的完美更有价值**。 - 一篇粗糙但完整的读书笔记，比一肚子里永远没写出来的深刻理解更有用 - 一份简陋但可迭代的学习总结，比收藏夹里 200 篇未读文章更有价值 - 一条不成熟但记录下来的想法，比脑子里一闪而过但没留痕迹的灵感更实在 这也是我正在努力践行的一点：**不要等什么都准备好再输出，输出本身就是学习。完成比完美重要。** # 06 ## 简洁原则：大道至简  Eric Raymond 在书中引用了 Saint-Exupéry 的话： > 完美不是没有什么可以再加的了，而是没有什么可以再减的了。 Unix 的简洁原则警告我们：**不必要的复杂性是万恶之源。** 代码如此，系统如此，知识管理也是如此。 **在知识库实践中，最大的陷阱不是做得太少，而是做得太复杂**。 你可能见过这样的知识库：十几层文件夹嵌套、几十个标签体系、各种复杂的模板和流程……看起来很专业，但实际上维护成本极高，用着用着就放弃了。 Unix 告诉我们：**好的系统不是功能最多的系统，而是恰好够用的系统**。 - 与其设计完美的分类体系，不如从几个核心主题开始 - 与其纠结标签体系，不如先写好每一张卡片的链接 - 与其追求终极工具配置，不如先用最简单的方式跑起来 老子说：万物之始，大道至简，衍化至繁。 说的是同一件事：**先抓住本质，让复杂性在需要的时候自然涌现，而不是一开始就强行设计。** > 实际上，我自己开源的AI知识库模板，尽管已有所克制，但还是不够简洁，不过本着先完成再完美的原则，发布出来，用起来再说。 # 07 ## 结语  随着自己越来越频繁的使用 AI 知识库，我也开始把 Unix 哲学作为知识库演进的底层方法论之一。 Unix 已经存在了超过 50 年。它之所以能存活这么久，不是因为它功能最强大，而是因为**它的设计原则足够好：模块化、可组合、简洁、透明**。 这些原则不只适用于操作系统，也适用于任何需要处理复杂性的系统，包括我们自己的认知系统。 当你用 AI x Obsidian 构建知识库时，**你本质上是在设计一个认知操作系统，一个管理你的输入、整理、提取、应用和输出的系统**。 50 年前的设计智慧，在今天依然有力。因为好的设计原则是跨时代的。 > **如果你也在用 AI 和 Obsidian 构建自己的知识系统，不妨试试用 Unix 的眼光重新审视它，再去迭代。** ##### [全文完] 对 Obsidian 知识库感兴趣的话，可以看看我之前写的几篇文章： - [AI 时代，知识管理已死？不，是你理解的那种死了](https://www.dailyup.blog/posts/is-knowledge-management-still-needed/) - [如何使用 Obsidian Web Clipper 这个神器帮我解决数据输入的问题](https://www.dailyup.blog/posts/obsidian-web-clipper-data-input/) <section style="margin: 4rem 0 1rem 0; font-size: 16px; color: #8C7B65; letter-spacing: 2px; font-weight: bold; text-align: center;"> ✦ BETTER, EVERY DAY ✦ <p style="margin: 0 0 25px 0; font-size: 14px; color: #5A5A5A; line-height: 1.8; padding: 0 10px; text-align: justify; text-align-last: center;"> 如果你对 <strong style="color: #8C7B65; font-weight: normal;">AI 时代如何创作与学习</strong> 感兴趣 <br><br> <span style="font-size: 12px; color: #999;">请添加下方微信，一起学习交流</span> <img src="https://img.dailyup.xyz/originals/8208528100863-7089e7c9-8df0-47ea-b5ee-e4716985e549.jpg" style="width: 240px; display: block; margin: 1rem auto;"> </section> https://dailyup.blog/posts/steam-steel-and-infinite-minds/https://dailyup.blog/posts/steam-steel-and-infinite-minds/Notion 创始人 Ivan 的文章：透过钢铁与蒸汽的历史隐喻，思考 AI 将如何重塑个人工作方式、组织架构与知识经济。Mon, 11 May 2026 00:00:00 GMT > 这是 Notion 创始人 Ivan 写的一篇精彩文章，个人很喜欢，**其中钢铁、城市、建筑等隐喻，很形象，透过历史来思考当下的方式也很受启发**。 > > 尽管已经有不少中文翻译版本，还是忍不住自己弄了一份，当做再读一次吧！ 原文：[Steam, Steel, and Infinite Minds](https://www.notion.com/blog/steam-steel-and-infinite-minds-ai "Steam, Steel, and Infinite Minds") # 00 ## 引言 时代的面貌，往往由当时的奇迹材料所铸就。 钢铁锻造了镀金时代（Gided Age），半导体开启了数字时代。如今，人工智能化作无限心智（Infinite Minds），浩然而至。 **以史为鉴，谁掌握了材料，谁便能定义时代。**  > 左图：少年安德鲁·卡耐基与他的弟弟。 > 右图：镀金时代匹兹堡的钢铁厂。 19世纪50年代，安德鲁·卡耐基还是个电报送信员，奔走在匹兹堡泥泞的街道上。那时，六成的美国人以务农为生。 短短两代人之间，卡耐基和他的同辈们便开创了现代世界。铁路取代了马车，电灯取代了烛光，钢铁取代了生铁。 自那以后，工作的重心从工厂转移到了办公室。 如今，我在旧金山经营一家软件公司，为数以百万计的知识工作者打造工具。在这座产业之城，人人都在谈论通用人工智能（AGI），但全球二十亿案头工作者中，大多数人对此尚无切身感受。**知识工作未来的图景究竟如何？当组织的架构中融入了永不休眠的大脑，又会发生什么？**  这样的未来往往难以预测，**因为它总是伪装成过去的面貌**。 早期的电话简短得像电报，早期的电影看起来犹如拍下来的话剧。（这正是马歇尔·麦克卢汉所说的“**看着后视镜驶向未来**”。）  今天，我们眼里看到的是模仿谷歌搜索框的AI聊天机器人。**每一次新技术更迭，都会伴随一段令人不适的过渡期**，而我们此刻正深陷其中。 接下来会发生什么？我并没有全部的答案。但我喜欢借用几个历史隐喻，推演人工智能如何在个人、组织乃至整个经济体等不同层面上发挥作用。 # 01 ## 个人：从自行车到汽车 这一变革的最初端倪，可以从知识工作领域的“大祭司” —— 程序员身上寻得。 我的联合创始人 Simon 就是我们常说的“10x倍程序员”，但他如今已极少亲自写代码了。 路过他的办公桌，你会看到他同时指挥着三四个 AI 编程智能体（coding agents）。它们不仅打字更快，而且会思考，这让他一跃成为“30 ~ 40x 倍工程师”。 午餐或临睡前，他把任务排好队列，让智能体在他离开时继续运转。他已然成为无限心智（Infinite Minds）的管理者。  20世纪80年代，史蒂夫·乔布斯将个人电脑称为“大脑的自行车”。 十年后，我们铺就了名为互联网的信息高速公路。然而直到今天，**大多数知识工作依然主要仰仗人力**。这就好比我们一直在高速公路上蹬着自行车。 有了AI智能体，像 Simon 这样的人便完成了从骑自行车到开汽车的跨越。 其他类型的知识工作者何时才能开上汽车？这需要解决两个问题。  ### 1. 上下文的碎片化 在编程工作中，工具和上下文往往集中在一处：集成开发环境（IDE）、代码库、终端。 但一般的知识工作却散落于数十种工具之中。试想一个试图起草产品简报的 AI 智能体：它需要从 Slack 的聊天记录、战略文档、上季度的数据看板，甚至仅存在于某人脑子里的机构记忆中提取信息。 今天，人类充当着粘合剂，靠着复制粘贴和在浏览器标签页间来回切换，将这一切拼凑起来。**除非这些上下文得到有效整合，否则智能体将始终困于狭窄的应用场景中**。 ### 2. 可验证性 代码有一种神奇的特质：你可以通过测试和报错来验证它。模型开发者正是利用这一点来训练 AI，使其擅长编程（例如强化学习）。 但你该如何验证一个项目是否管理得当，或者一份战略备忘录是否出色？我们尚未找到改进通用知识工作模型的方法。因此，**依然需要人类参与其中，由人来监督、引导，并树立优秀的标准**。  今年的编程智能体让我们认识到，**人类在环（human-in-the-loop**）并不总是好事。这就好比派人亲自检查流水线上的每一颗螺栓，或者在汽车前面步行开道（参见1865年的《红旗法案》）。 **我们希望人类站在更有杠杆效应的高处去监督循环，而不是深陷其中。** 一旦上下文得以整合，工作成果变得可验证，数十亿工作者就将从蹬车升级为开车，进而迈向自动驾驶。 # 02 ## 组织：钢铁与蒸汽 公司是一项近代的发明。随着规模的扩张，它们会逐渐退化，直至触及极限。  几百年前，大多数公司不过是十几人的小作坊。 而今天，我们拥有动辄数十万员工的跨国巨头。现有的沟通基础设施（即通过会议和消息连接起来的人脑），在指数级的负荷下已然不堪重负。我们试图用层级、流程和文档来解决这个问题。但这么做，无异于用人力规模的工具去解决工业规模的难题，犹如用木头去盖摩天大楼。 两个历史隐喻，恰好昭示了全新的奇迹材料将如何重塑未来组织的面貌。  **第一个是钢铁。** 在钢铁问世前，19世纪的建筑极限只有六七层。生铁固然坚硬，却沉重且易碎；一旦加盖楼层，结构就会因自身重量而坍塌。 钢铁改变了一切。它既坚固又具延展性。于是框架变轻了，墙壁变薄了，大楼陡然间拔地而起数十层。全新形态的建筑由此成为可能。 **对于组织而言，AI 便是钢铁。** 它有潜力在不同的工作流程中维系上下文，并在需要时摒除噪音、呈现决策。人际沟通不再被迫充当承重墙。每周两小时的对齐会，将变成五分钟的异步审阅。以往需要三级审批的高管决策，或许很快就能在几分钟内完成。 企业将能够实现真正的规模化，而不必伴随我们曾经默认为不可避免的组织退化。  **第二个故事关乎蒸汽机。** 工业革命初期，早期的纺织厂大多依河溪而建，靠水轮驱动。 蒸汽机问世后，工厂主们起初只是将水轮换成了蒸汽机，其他一切照旧。因而生产力的提升十分有限。 真正的突破发生在工厂主们意识到他们可以彻底摆脱水源束缚的那一刻。 他们将规模更大的工厂建在离工人、港口和原材料更近的地方，并围绕蒸汽机重新设计了工厂布局（后来当电力普及，工厂主们进一步放弃了中央动力轴，采用分散式布局，为不同的机器配置小型电机）。 生产力由此呈爆炸式增长，第二次工业革命才真正腾飞。  **我们目前仍处在“替换水轮”的阶段**，只是将AI聊天机器人生硬地嵌入到现有的工具中。 当旧的禁锢瓦解，当公司能够依靠无数在你熟睡时依然运转的大脑来支撑时，组织究竟该是什么模样？我们尚未对此进行重构与想象。 在我的公司 Notion，我们一直在进行实验。除了1000名员工外，目前已有700多个智能体在处理重复性工作。它们记录会议纪要，回答问题以提炼团队固有的经验智慧；它们处理IT诉求，记录客户反馈；它们协助新员工了解福利、完成入职；它们撰写每周状态报告，省去了人们复制粘贴的麻烦。 而这，仅仅是起步。**真正的成效，仅受限于我们的想象力与惯性**。 # 03 ## 经济体：从佛罗伦萨到超级都市 钢铁和蒸汽不仅改变了建筑与工厂，更重塑了城市。  **直到几百年前，城市的规模依然是以人为尺度的**。 你只需四十分钟便能徒步穿过佛罗伦萨。生活的节奏，取决于一个人能走多远，一个人的声音能传多广。 随后，**钢结构让摩天大楼成为可能**。蒸汽机驱动铁路，将市中心与腹地紧密相连。电梯、地铁、公路紧随其后。城市的规模与密度急剧膨胀。东京。重庆。达拉斯。 它们绝非放大版的佛罗伦萨，而是截然不同的生活方式。超级都市令人迷失，充满陌生感，更难摸清方向。这种不易解读的混沌，正是规模化的代价。 但与此同时，它们也提供了更多的机遇与自由。更多的人，以更多样的组合，从事着更丰富的事业，这远非一座人力尺度的文艺复兴城市所能承载。 我认为，知识经济即将经历同样的蜕变。 如今，知识工作占据了美国 GDP 的近半壁江山。然而，**其中绝大部分仍以人力尺度运转**：几十人的团队，靠会议和电子邮件推进的流程，以及人数一过几百便步履维艰的组织。我们一直都在用砖石和木头建造佛罗伦萨。 当 AI 智能体大规模上线时，我们建起的将是东京。那是成千上万智能体与人类共存的组织；是跨越时区、日夜兼程、无需等待某人醒来即可运转的流程；是仅保留恰到好处的人类介入，从而高度凝练出的决策。 感受将大不相同。节奏更快，杠杆更高，但在起初也更易让人迷失。周会、季度规划周期以及年度考核等既定节奏，可能不再合乎情理。 全新的节奏正在孕育。**我们失去了一定程度的清晰易读，却赢得了非凡的规模与速度**。 # 04 ## 跨越水轮时代 每一款奇迹材料的诞生，都要求人们不再透过后视镜看世界，而是着手想象全新的天地。 卡耐基凝视钢铁，看到了城市的天际线；兰开夏郡的磨坊主端详蒸汽机，看到了远离河流的广阔厂房。 我们目前仍处于AI的“水轮阶段”，习惯将聊天机器人生硬地扣在为人类设计的工作流程上。 **我们必须停止仅将AI视作副驾驶（copilot）。我们必须去想象：当人类组织有了钢铁的加固，当繁杂琐事悉数交由永不休眠的大脑去打理，知识工作究竟会绽放出怎样的光彩。** 钢铁。蒸汽。无限心智。 下一道天际线就在那里，等待着我们去筑就。 ##### [全文完] <section style="margin: 4rem 0 1rem 0; font-size: 16px; color: #8C7B65; letter-spacing: 2px; font-weight: bold; text-align: center;"> ✦ BETTER, EVERY DAY ✦ <p style="margin: 0 0 25px 0; font-size: 14px; color: #5A5A5A; line-height: 1.8; padding: 0 10px; text-align: justify; text-align-last: center;"> 如果你对 <strong style="color: #8C7B65; font-weight: normal;">AI 时代如何创作与学习</strong> 感兴趣 <br><br> <span style="font-size: 12px; color: #999;">请添加下方微信，一起学习交流</span> <img src="https://img.dailyup.xyz/originals/8208528100863-7089e7c9-8df0-47ea-b5ee-e4716985e549.jpg" style="width: 240px; display: block; margin: 1rem auto;"> </section> https://dailyup.blog/posts/2026-05-08_blog_is-knowledge-management-still-needed/https://dailyup.blog/posts/2026-05-08_blog_is-knowledge-management-still-needed/大模型时代，传统的静态知识管理已死，但智识管理和个人上下文管理变得更加重要。从「管理知识」到「沉淀智识」的升级路径。Fri, 08 May 2026 00:00:00 GMT# 00 ## 前言 最近在设计和打磨 AI 课程中关于个人知识体系构建这部分内容，回头去看了看很早以前看过的一本小书《智识的生产技术》。  一下找到感觉，我在做的，不正好就是 AI 时代的智识管理吗？ 智识这个说法挺好的。也正好回应了一个问题：**当 AI 什么都知道的时候，个人还有必要管理知识吗？** 这篇文章算是对这个问题的阶段性思考。我会从三个层次出发，聊聊哪些事情变了、哪些事情没变、以及我们应该把精力放在哪里。 # 01 ## 知识管理 vs 智识管理  当我们在说知识管理的时候，我更想把它叫做智识管理。 > **知识管理**，管理的是我知道什么； > **智识管理**，管理的是我如何理解、判断、创造。 我的理解，这两者是递进的。 ### 1. 什么是知识管理？ 传统知识管理的核心很简单：如何把信息、资料、经验、笔记、文档保存下来，在需要的时候找得到、用得上。 典型动作是：收藏、分类、打标签、摘录、建索引、建文件夹、建知识库、建 SOP。 用一句话概括： > **知识管理是把外部信息和已有经验，变成可保存、可检索、可复用的知识资产。** ### 2. 什么是智识管理？ 智识这个词比知识更进一步。 **知识**更偏向内容本身：概念、事实、方法、经验。 **智识**更偏向人的理解能力与判断能力：你如何看待这些知识，如何建立联系，如何形成洞察，如何做判断等等。 所以智识管理的核心是：**管理一个人的理解力、判断力、思考框架、问题意识、经验模型和创造能力。** 它关心的问题是： - 这些知识是否真的改变了我的理解方式？ - 我是否能用它们解释问题、解决问题、产生新想法？ 典型动作包括：建立问题意识、形成判断标准、提炼思维模型、连接不同领域的知识、追踪自己观点的变化、复盘决策过程、把知识转化为输出。 **如果说知识管理是建图书馆，那么智识管理就是训练大脑的理解系统。** ### 3. 一个三层结构  两者放在一起看，其实是一个清晰的递进关系。 用经典知识管理理论中的 DIKW 模型（Data → Information → Knowledge → Wisdom）来对照，会更清楚： **第一层：信息管理** 网页收藏、PDF 保存、文章剪藏。**解决的是我不要丢东西**。 这是最基础的层面。DIKW 模型告诉我们，这一层处理的是原始的数据和初步的 Information（事实和观察，以及结构化的组织）。 **第二层：知识管理** 不只是保存，而是开始整理、提炼、结构化。主题分类、概念卡片、读书笔记、方法论总结。**解决的是我能找到、理解、复用这些东西**。 这一层对应 DIKW 中的 Knowledge（可复用的洞察和模式）。 **第三层：智识管理** **不只是保存知识，而是让知识参与自己的思考、判断和创造。** 我对这个问题的立场是什么？我的判断依据是什么？这个观点能否改变我的行动？我能不能用它写出一篇文章、设计一门课？ 这一层对应 DIKW 中的 Wisdom（知道何时用、知道为何用）。**解决的是我能不能因为这些知识，变成一个更会思考、更会判断、更会创造的人**。 # 02 ## AI 时代，哪些知识管理变得不值钱了？  有些过去很重要的事情，确实会被 AI 大幅削弱。搞清楚这些，才能把精力放在真正重要的地方。 ### 1. 单纯收藏资料 看到好文章马上收藏，但收藏之后大概率再也不看。 **这类收藏式知识管理，价值会越来越低**。公开资料 AI 随时可以帮你找、总结、比较。很多收藏本质上只是在缓解怕错过的焦虑。 ### 2. 机械摘录金句 把书里的句子摘下来，复制到笔记软件里。这件事的价值也在变低。AI 可以快速提炼一本书的重点、金句、结构和案例。 摘录不经过自己的理解加工，只是信息的搬运。 ### 3. 为了分类而分类 过度设计分类体系。文件夹怎么分、标签怎么打、笔记放哪里，这些曾经是知识管理的重要技能。 **但在 AI 时代，检索能力和语义搜索越来越强，花大量精力维护精细的分类结构，投入产出比越来越低**。 ### 4. 把知识库当仓库 如果一个知识库只是资料的堆积，它的价值会加速下降。 因为 AI 本身就是一个巨大的公共知识仓库。如果你的知识库里没有你的思考、你的判断、你的经验，那它的价值和一个搜索引擎没什么区别。 # 03 ## AI 时代，哪些知识管理反而更值钱了？  如果说上面四种是低水平的知识管理，那么下面这几类才是 AI 时代真正值得投入精力的方向。 ### 1. 管理自己的问题 AI 很强，但它需要被好问题激活。 **未来人和人的差异，很大程度上不是谁知道更多答案，而是谁能提出更好的问题**。 一个好问题本身就包含了领域理解、判断力和对知识边界的觉察。 所以，问题管理会变得越来越重要。你需要记录： - 我长期关心什么问题？ - 我最近反复思考什么问题？ - 哪些问题可能变成文章、课程、产品、研究方向？ 在 AI 时代，**问题本身就是一种高级知识资产。** ### 2. 管理自己的判断 AI 可以给答案，但它不能替你承担判断。尤其在复杂问题中，AI 经常可以同时给出多个看似合理的观点。这时候真正重要的是： - 我相信哪个？为什么？ - 我的依据是什么？ - 我的经验告诉我什么？ - 我愿意为哪个判断承担后果？ 所以，**AI 时代要管理的不只是知识，而是自己的判断过程。这就是智识管理的核心。** ### 3. 管理自己的经验  > **人知道的东西，多于人能够说清楚的东西。** > **-- 波兰尼** 大模型拥有海量公共知识，但它没有你的真实经历。 你做过哪些项目、踩过哪些坑、教学生时发现了什么、创业过程中做过什么判断，这些东西，AI 是不知道的。 这里有一个重要的概念：**隐性知识（Tacit Knowledge）**。 你所具备的隐性知识（那些无法被完全文档化的手感、眼力、情境判断），构成了你真正的独特优势。 所以，AI 时代尤其需要管理自己的：项目复盘、教学观察、用户反馈、失败案例、决策记录、真实场景中的微妙感受。 这些内容越丰富，AI 越能成为你真正的智能助手，而不是一个泛泛而谈的公共问答机。 **你的经验，是你和 AI 之间最大的差异。** ### 4. 管理自己的思维模型 AI 可以解释一个思维模型，但真正重要的是：这个思维模型有没有进入你的大脑？你会不会在真实问题中调用它？ 思维模型如果只是知道，意义不大。 **真正重要的是你能不能把它们变成自己的判断工具**。所以，思维模型也需要管理，不仅是管理它的定义，而是管理它的应用： - 它适用于什么场景？不适用于什么场景？ - 我在哪些真实案例中用过它？ - 它如何改变了我的判断方式？ 这也呼应了一个更深层的观点：**模型偏好本身就是一种自我表达。** 你选择相信什么模型、在什么场景下调用什么模型，反映的是你长期积累的经验结构和价值取向。 ### 5. 管理自己的输出 AI 时代，输入变得越来越便宜。**真正稀缺的是高质量输出。** 写一篇有独立观点的文章、设计一门课程、做一个产品方案、形成一个教学案例、解决一个真实问题。 **知识管理不能停留在我看了什么，而要转向我用这些知识创造了什么**。 ### 6. 管理自己的上下文 这是一个被低估的关键能力，值得单独拿出来说，因为它可能是整个智识管理中最容易被忽视、却最有长期价值的部分。 你日常的想法、你的风格、你的倾向性、你的价值观、你对看过和学过的知识的启发与思考，**所有这些，构成了你与 AI 协作时的个人底色**。 为什么上下文管理如此重要？ 因为大模型的知识是公共的、通用的，但你对一个问题的思考不是。 你的独特价值在于： - 你长期关注什么问题？ - 你对某件事的立场是如何演化的？ - 你过去踩过哪些坑、有什么心得？ 这些是**随时间积累的上下文资产**。 它们让 AI 不再是泛泛而谈的公共问答机，而是一个真正理解你、适配你的协作伙伴。 所以智识管理，管理的是**我是谁、我怎么想、我如何变化，这是一种上下文级别的自我认知管理。** # 04 ## 你的知识管理是活的吗？  说了这么多，如何判断自己的知识管理是在做真正的智识管理，还是停留在传统阶段？ 这里有一个直观的隐喻。传统的知识管理像建了一座图书馆，书放好了就很少再动。它的核心是存放。 **而智识管理更像经营一座数字花园，每天都在生长、修剪、连接。它的核心是生长**。 这个理念和 Andy Matuschak 提出的**常青笔记（Evergreen Notes）** 一脉相承：笔记应该像一座花园，而不是一个仓库。 给你三个自测问题： **① 它在不断更新吗？** 传统的知识管理：笔记写完了就归档，很少再回看。 活的智识管理：你会随时查看旧笔记，补充新理解，更新过时的观点。一篇文章或一个概念，随着你自己的认知升级，你对它的理解也在变化，而这种变化应该被记录下来。 **② 它在带来更多思考吗？** 传统的知识管理：收藏了就是学会了，笔记只是信息的搬运。 活的智识管理：每次整理都会引发新的联想和追问。卡片之间不断产生新连接，旧的连接被重新审视。你是在与知识对话。 **③ 它在促进创造和输出吗？** 传统的知识管理：知识库越大越焦虑，输出时还是从零开始。你只是知识的消费者。 活的智识管理：写文章、设计课程、做产品时，你的知识库是素材库和灵感源。它是你的第二大脑，而不只是第二硬盘。 # 05 ## 从知识管理到智识管理  个人认为，AI 时代的知识管理应该升级为**AI 协同下的智识管理**。 它可以用一个简单的人、AI、知识库这三者的协同框架来理解： | 角色 | 负责 | |------|------| | **人** | 提问、判断、选择、体验、价值排序、创造方向 | | **AI** | 扩展、总结、比较、推演、生成、反馈、陪练 | | **知识库** | 沉淀、连接、追踪、复用、个性化、长期积累 | 这个框架的核心在于：**不要把 AI 当作知识库的替代品，也不要把知识库当作 AI 的附庸。** 两者各有分工，而人是两者的连接者和判断者。 # 06 ## 公共知识交给 AI，个人智识自己沉淀  有了这个框架，就可以做出一个清晰的分工判断： **公共知识，不必过度管理。** 某个概念的定义是什么、某个历史背景、某个工具的使用教程，这些互联网和 AI 上到处都有的东西，不需要全部搬进自己的知识库。 **个人智识，必须自己管理。** 你的真实经验、长期问题、判断过程、失败复盘、灵感火花、原创表达，这些不是公共知识，而是你的独特资产。不能完全交给 AI，因为它们是你在 AI 时代真正的竞争壁垒。 # 07 ## 一句话总结  > **AI 时代，知识管理的重点不再是保存知识，而是沉淀智识。** 更完整地说： 过去的知识管理，是为了在信息稀缺时代保存知识。 今天的智识管理，是为了在信息过剩和 AI 普及时代，保护并增强人的理解力、判断力与创造力。 过时的，是传统的收藏夹式知识管理。 **重要的，是面向思考、判断和创造的智识管理。** ##### [全文完] <section style="margin: 4rem 0 1rem 0; font-size: 16px; color: #8C7B65; letter-spacing: 2px; font-weight: bold; text-align: center;"> ✦ BETTER, EVERY DAY ✦ <p style="margin: 0 0 25px 0; font-size: 14px; color: #5A5A5A; line-height: 1.8; padding: 0 10px; text-align: justify; text-align-last: center;"> 如果你对 <strong style="color: #8C7B65; font-weight: normal;">AI 时代如何创作与学习</strong> 感兴趣 <br><br> <span style="font-size: 12px; color: #999;">请添加下方微信，一起学习交流</span> <img src="https://img.dailyup.xyz/originals/8208528100863-7089e7c9-8df0-47ea-b5ee-e4716985e549.jpg" style="width: 240px; display: block; margin: 1rem auto;"> </section> https://dailyup.blog/posts/2026-05-04_blog_obsidian-web-clipper-data-input/https://dailyup.blog/posts/2026-05-04_blog_obsidian-web-clipper-data-input/知识管理的最大瓶颈从来不是整理，而是输入。Obsidian Web Clipper 这个免费开源工具，可能是我这两年遇到的最丝滑的数据录入方案。Mon, 04 May 2026 00:00:00 GMT  之前有公众号的读者反馈说，我写的好多内容都偏方法论和理念比较多，能不能多写一点偏实操、实践性的文章。 当然可以，后面我会多写一点。 这次要介绍的是 [Obsidian Web Clipper](https://obsidian.md/clipper "Obsidian Web Clipper")，一个浏览器插件，这个插件太好用了，对我来说，**它已经不是一个简单的剪藏插件，而是我的知识库重要的数据入口之一了**。 而且有很多有意思的用法，值得写专门一篇介绍的文章。 # 00 ## 前言 相信大家或多或少都会用到过剪藏相关的插件，我们在网上，无论是读到一篇好文章，还是看到某个有价值的 YouTube 视频，我们往往都想把它存下来，希望以后会用到，这也是为什么有那么多剪藏插件的原因之一。 但大部分的剪藏方式都有一个致命的问题。**他们虽然保存了内容，但这些内容没有结构化，很难真正进入到你的知识库，也很难被检索、被链接和复用**。 对于这个问题，Obsidian 官方推出的 Web Clipper 提供了一种优雅的解决方案。 下面我一步一步来，尽可能把是什么（What）、为什么（Why）、怎么用（How）这三个点讲清楚。 > 注：作为数据输入的重要一环，大部分笔记相关的工具都有自己的剪藏插件，像 Notion Clipper， YouMind AI Web Clipper、Bear Web Clipper 等。 # 01 ## Web Clipper 是什么 Obsidian Web Clipper 是 Obsidian 官方推出的免费开源浏览器扩展。 它的核心能力可以用一句话概括：**在浏览器里一键把网页内容转化为干净的 Markdown 文件并存入 Obsidian 知识库，直接解决了把外部信息变成 AI 可读、可检索、可复用的结构化输入问题**。 当我看到一篇好的文章，使用 Web Clipper 扩展，可以几秒内自动完成下面几件事： 1. 自动抓取主体内容（如果是 Youtube 视频，甚至可得到字幕文本） 2. 通过预设的模板和 AI 预处理器，自动填入标题、来源，摘要、标签等元数据 3. 把干净的 Markdown 文件，自动存入到我知识库预设的文件夹下面 4. 进入知识库工作流程，等待下一步处理 # 02 ## 从网页数据到Markdown文本 网页复制最大的痛点是什么？**格式污染**。 从网页复制的内容，往往会带着隐藏的 HTML 标签、奇怪的字符编码、不一致的标题层级。这些东西在你的 Markdown 文件中会变成一团乱麻。 Obsidian Web Clipper 内置了 [Defuddle](https://defuddle.md/ "Defuddle") 工具，这是一个专门把 HTML 转为干净 Markdown 的解析引擎。 它做的事情是包括： - 提取正文，过滤导航、广告、侧边栏 - 保留标题层级（h1/h2/h3 → #/##/###） - 保留链接、图片、代码块 - 过滤掉所有无关的样式和脚本 最终产出的是一个干净得可以直接使用的 Markdown 文件。 而我们知道，**干净、清洁的 Markdown 文本，对 AI 天然友好，是与 AI 协作的基础。** ### 1. 一键转换并保存网页 安装好 Obsidian Web Clipper 扩展后，哪怕不做任何配置，一键点击插件图标，就可以将一个网页转换成干净的 Markdown 文件，并保存到 Obsidian 仓库。 ### 2. Obsidian Reader 阅读模式 如果你安装了 Web Clipper，打开一个网页，按快捷键 `Shift + Option + r` 试试，立即可以得到一个非常干净的阅读页面，而且自动提取文章结构，帮你生成了内容目录。 实际上，这是 Web Clipper 内置的 Obsidian Reader 阅读模式，本质上也是使用的 Defuddle 进行了过滤处理，提升阅读体验。 不仅对普通的网页起作用，你在观看 YouTube 视频的时候，也可以打开阅读模式，不仅页面变得非常干净，甚至连字幕都提取出来了。  > 不得不说，就 Obsidian Reader 这一个功能，就值得你去下载安装这个浏览器扩展了。 ### 3. 获取任何网页的 Markdown 文件 你甚至可以不用安装 Obsidian Web Clipper 扩展，直接使用官方提供的 Defuddle 把任何网页变成干净的 Markdown 文件。 最简单的使用方式是，在任何需要转换的网页地址前加上 `defuddle.md`，打开这个新的地址，就可以得到一份干净、结构化的 Markdown 文件了。 例如，Obsidian CEO Steph Ango 写的一篇文章，地址是：`https://stephango.com/vault` 在前面加上 `defuddle.md`，地址变为：`https://defuddle.md/stephango.com/vault`，打开后，直接得到了过滤转换后干净的 Markdown 内容。  然后你就可以直接复制 Markdown 内容，或者下载到本地。 简直太方便了，而且这个**转换速度非常快**。 之前在 Twitter 看到 Obsidian CEO 发的文章，他们为了这个转换速度，花了大量的时间来做优化，追求极致，感觉这也是 Obsidian 一贯的风格。 # 03 ## 强大的自定义功能配置 默认情况下，Web Clipper 插件对转换后的 Markdown 文件已经提供了大量元数据的填入，比如文章的标题、来源、作者等等，也提供了默认的存储位置，默认是存储在当前打开的 Obsidian 仓库的 Clippings 目录下。 **但我们真正在使用时，默认的配置很多时候没办法满足我们的需求。** 比如说我希望根据文章的内容自动帮我打上标签，自动对文章做摘要或总结。我们也希望自定义存储的位置，这样在存储的时候就自动进入到我的知识库的处理流程当中去。 这些都没问题，Web Clipper 插件提供了非常强大的自定义配置功能， ### 1. AI 解释器配置 **AI 解释器，让你在剪藏时可以调用大语言模型，对网页内容做一些额外处理**，如：摘要、总结、要点提取，甚至翻译等等。 这个功能一下就把可用性拓宽了，剪藏就不是简单的“保存原文”，而是升级成了“**保存原文 + 过滤处理 + 初步理解**”。 Obsidian Web Clipper 并不限定你必须使用什么大模型，完全可以自由配置。 进入插件的设置页面，左侧点选 "解释器" 进入解释器配置页面，根据自己需要可以配置提供商和模型。  我个人目前配置了三个模型： - 通过 OpenRouter 服务，配置了 `gemini-3.1-flash-lite-preview` 模型。 - DeepSeek 官方的两个模型：`deepseek-v4-flash` 和 `deepseek-v4-pro`  > 上面的模型都是**通过 API 去使用的，使用时会产生费用**，不同的模型的消耗费用也不同，这一点大家需要知道，通常从质量、速度、费用三个方面去综合权衡选择。 ### 2. 自定义模板 实际上绝大部分的自定义功能都是通过模板来实现的。 安装好插件后，插件提供了一个默认的 Default 模板。刚开始大家可以自己去看一看这个模板下的各个配置项，对模板的基本功能有一个基本了解。 熟悉过后，你就可以自己新建模板来自定义各项功能了。 > **AI 解释器配合自定义模板才是真正释放 Obsidian Web Clipper 潜力的正确方式。** ### 3. 我自己用的模板 我自己新建了 3 个模板，分别是 - `content`，文章剪藏通用模板 - `content-summary`，带 AI 摘要的文章剪藏模板 - `youtube`，针对 YouTube 视频的剪藏模板 下面把这三个模板的具体配置内容分享给大家，仅供参考。 #### `content` 模板 主要用于保存博客、文档、公众号转载页、产品文章等普通网页。  这是个通用模板，保证了让每篇文章进来之后，都有来源、有状态、有后续处理入口。 #### `content-summary` 模板 主要用于一些阅读难度比较大，尤其是英文原文的内容。 这个模板**方便我再回看剪藏内容时，可以快速理解文章核心要点，为下一步处理提供部分判断依据**。  这里的模板设计，参考了 Nick Milo 使用的三层结构，我很喜欢： - **摘要**：5 秒知道大意 - **三个要点**：15 秒看到重点 - **关键概念**：通过人物、术语、概念，进一步了解内容 这个结构比简单的帮我总结一下更适合我的知识库流程。 #### `youtube` 模板 视频内容最大的问题是：**信息密度高，但不容易引用**。 如果只是收藏一个 YouTube 链接，其实没多大价值，因此我为 YouTube 视频单独提供了一个模板（这里 Web Clipper 提供的字幕获取功能作用也显现出来了）。  这样，**一个视频就不再只是“看过”，而是变成了可以被搜索、引用、提炼的文本材料**。 需要注意的是，上面 3 个模板，前面的属性字段部分是完全一致的，对我来说够用了，大家也可以根据自己的需要进行调整，比如说针对 youtube 视频，单独设定一些字段。 ### 4. 其它配置说明 #### 笔记存储位置 可以在设置 ⭢ 常规 ⭢ 保管库下面添加自己的仓库，可以添加多个仓库。  然后再模板编辑页面，可以选择剪藏的文章放在哪个仓库的哪个位置下。  #### 属性变量使用 在上面截图中，笔记名称部分，可以看到一段有点复杂的设置： ```bash clip_{{title|split:" "|join:"-"|lower}} ``` 这是 Web Clipper 插件另一个有意思的地方，无论是剪藏的内容里面，还是文件名称，都支持预设的属性变量，可以通过属性变量预填充页面属性。 属性变量包括在花括号里，如 `{{变量名}}`，内置的属性变量很多，大家可以下来自行查文档了解。 **Web Clipper 除了支持属性变量，还支持通过 `filters` 去修改属性变量的值。** 像上面那段稍微有点复杂的设置，作用是：对获取到的标题，如果中间有空格，会将空格替换为 `-` 短横线，然后统一转成小写字母，最后统一在前面加上 `clip_`。 举个例就明白了，我在剪藏文章时经常发现获取到的文章标题是这样的 ```markdown My Vision A Forgotten History ``` 从实践上来说，文件名含有空格不太好，而且我自己的习惯规范是文件名全小写，通过上面的简单处理，就会自动变成下面这样： ```markdown clip_my-vision-a-forgotten-history ``` 完美实现了我的需求。 #### AI 解释器的应用 我们在前面配置了 AI 解释器，接下来就可以在模板当中来使用 AI 的功能了。 可以看到我前面三个模板里面都有用到 AI 的功能，比如说，让 AI 自动帮我从文章内容提取三个标签；让 AI 自动帮我总结摘要、关键要点等等。 比如说下面这张截图就是我使用 `youtube` 模板对一个 [YouTube 视频](https://www.youtube.com/watch?v=JNyuX1zoOgU "YouTube 视频") 的剪藏。  操作的时候，注意下面三个部分。 1. 选择剪藏的模板，这里选择的是 `youtube` 2. 选择存储的仓库，剪藏存储的路径 3. 选择 AI 解释器，点击 "解释" 按钮进行 AI 处理 下面是剪藏并存储到我的 Obsidian 仓库后的内容效果。  可以看到 AI 解释器起了作用，帮我进行了视频摘要，提取了关键要点，甚至有对应的时间戳。 > 说明：这里我只挑了我自己比较常用的几个自定义功能配置来分享，Obsidian Web Clipper 支持的自定义功能远不止这些，大家可以去查看官方的文档，自己去探索一下，其实还有一些好玩的用法。 # 04 ## 从收藏到进入知识库 > **一个好的输入系统，不能只追求快。它还要让信息在进入系统时，就有基本秩序，适配你自己的工作流程**。 Web Clipper 太方便之后，会出现一个新问题： 什么都想剪。 这时候，**知识库很容易变成另一个稍微高级一点的收藏夹**。 为了解决这个问题，我自己的知识库中设定了一套简单的输入工作流。 ### 1. 输入工作流 ````markdown 外部信息 ↓ Web Clipper # 剪藏 ↓ References # 参考资料池 ↓ 阅读与判断 ↓ 知识卡片 ↓ 文章 / 课程 / 项目 / 产品 ```` 在我的 Obsidian 仓库结构里，所有剪藏的内容都不会直接进入正式知识卡片区，而是先进入指定的文件夹： ```bash 05_References/01_Inbox/ ``` 这里是外部材料的暂存区。 等我阅读、判断、提炼之后，真正有价值的观点、概念、案例，才会进一步转换到知识卡片去： ```bash 04_Knowledge/00_Cards/ ``` 这个区分很重要。 因为“原文剪藏”和“知识卡片”不是一回事。 **原文剪藏是材料。** **知识卡片是经过理解、改写、连接之后的资产**。 ### 2. 剪藏内容状态 另外，每篇剪藏都会带一个 `status` 状态属性，共有四个状态： ``` inbox → reading → extracted → archived ``` - 每篇剪藏刚进来时状态是 `inbox`。 - 读过但还没处理，状态可以改成 `reading`。 - 已经提炼成卡片，状态改成 `extracted`，并自动归档到 `05_References` 下对应主题的文件夹中去。 - 不再需要处理，但可以留作参考，状态改成 `archived`。 这个状态属性看起来很小，但它解决了我的一个实实在在的问题： **你知道每篇材料现在处于哪里，知道哪些内容已经处理，哪些内容还欠着。** 关键是，整个流程的流转，我们现在都可以通过 AI 来简化实现，你直接告诉 AI 就是。 比如，我可以直接问 AI：我的剪藏内容，有哪些待处理？ AI 会告诉我结果以及接下来的建议，因为剪藏的内容已经进入我的知识库工作流程里了  # 05 ## 结语 我们经常会高估收藏的价值，但往往低估了输入秩序的价值。 收藏只是把信息放进某个地方。 **输入秩序则是让信息进入你的系统之后，还能被理解、被找到、被连接、被重新使用。** Obsidian Web Clipper 最值得用的地方就在这里： 它帮你把外部世界的信息，变成个人知识系统可以处理的干净原材料。 经过简单配置，这些原材料还可以直接进入你的知识库工作流程。 只有这样，后面的思考、写作、课程设计和 AI 协作，才越有可能真正发生。 ##### [全文完] <section style="margin: 4rem 0 1rem 0; font-size: 16px; color: #8C7B65; letter-spacing: 2px; font-weight: bold; text-align: center;"> ✦ BETTER, EVERY DAY ✦ <p style="margin: 0 0 25px 0; font-size: 14px; color: #5A5A5A; line-height: 1.8; padding: 0 10px; text-align: justify; text-align-last: center;"> 如果你对 <strong style="color: #8C7B65; font-weight: normal;">AI 时代如何创作与学习</strong> 感兴趣 <br><br> <span style="font-size: 12px; color: #999;">请添加下方微信，一起学习交流</span> <img src="https://img.dailyup.xyz/originals/8208528100863-7089e7c9-8df0-47ea-b5ee-e4716985e549.jpg" style="width: 240px; display: block; margin: 1rem auto;"> </section> https://dailyup.blog/posts/2026-04-30_blog_writing-and-metacognition/https://dailyup.blog/posts/2026-04-30_blog_writing-and-metacognition/写作不只是表达，它是对思考的思考——元认知——最有效的训练方式Thu, 30 Apr 2026 00:00:00 GMT上周，参加青少年生命复元发起的明亮访谈，和糯米做了一场主题为“**AI 时代，如何训练自己的元认知**” 的直播。 直播结束后，又花了一点时间好好思考了一下这个问题，值得记录一下。 # 00 ## 理清几个概念  > **如果你不写作，你可能只是在自欺欺人地认为你已经思考了。** > **-- 莱斯利·兰波特** 为了描述准确，首先理清几个概念。 什么是元认知。 **如果说认知就是你的思考，那么元认知就是观察和思考你自己是如何思考的。** 其次，记录与写作，在我看来，两者并没有明显的区分，记录比较随意，写作更“认真”一点而以。 **记录多了，写就会成为一个自然而然的东西，涌现出来**。 就像我现在写这篇文章，也是因为回看记录时，有一些思考，自然而然写了出来。 关于记录，之前其实写过一篇文章 [链接] 专门介绍了“为什么你应该频繁的记录自己”，这次，再认真一点，我们就聊写作。 **很长一段时间，写作对自己来说，都是一件很困难的事情。** 看一本书，和别人聊天，经常会受到一些启发，脑子里有无数想法在飞。 但真正坐下来想写出来时，却发现它们像一团乱麻，根本理不出头绪。 **我们误以为自己在思考，其实只是在觉得。** 觉得是模糊的、流动的、一闪而过的。它不需要结构，不需要逻辑，不需要被验证。它最大的问题在于：**你无法审视一个模糊的东西。** 而元认知，也就是对思考的思考，有一个前提，你的思考必须是**一个可以被观察的对象**。 这就是写作的价值。 > 有意思的是，随着记录的越来越多，写作慢慢就变得不那么难了，无非就是认真一点的记录。 # 01 ## 让思考从暗箱变成对象  这是外化。 先看一个简单的对照： |状态|特点|能否被审视| |---|---|---| |脑中的想法|流动、模糊、随时消失|几乎不能| |写下来的想法|固定、清晰、可反复查看|完全可以| 想法被写下来后，就不再是你大脑中一个抓不住的东西，而是一个摆在你面前的，一个可被观察的对象。 它的意义在于：**你第一次可以跟自己说，等等，让我看看我刚才在想什么。** 这听起来很基础，但这是元认知的起点。没有这个起点，后面的一切都不存在。 就像程序员调试（Debug）代码。你不可能在不看代码的情况下调试。同样，你不可能在看不到自己思考过程的情况下，改善自己的思考质量。 **写作，就是把你的思考打印出来，让你以调试模式运行自己的大脑。** # 02 ## 网状 → 线性的元认知训练  这是降维。 Steven Pinker 说过一句非常精辟的话： > **"写作之难，在于把网状的思考，用树状结构，体现在线性展开的语句里。"** 我们大脑中的思考是网状的，一个想法连到另一个想法，可以跳跃，可以并行，可以随时回溯。但写作是线性的，你必须一句接一句，一段接一段，有头有尾地展开。 从思考到写作，这是一个降维的过程，本身就是高强度的元认知训练。 当你试图把脑中的想法变成文字时，你被迫需要做一系列决策： - **什么重要，什么可以放弃**，这是在判断优先级 - **先说什么，后说什么** ，这是在建立逻辑顺序 - **这里有没有逻辑跳跃** ，这是在检查推理漏洞 - **这个例子真的能说明问题吗** ，这是在评估证据的有效性 这些全都是元认知操作。 **你不是在记录思考，你是在通过写作生产思考。** 这也是为什么很多人会有一写就卡壳的体验。不是因为写作能力差，而是因为网状到线性的转换暴露了你思考中的模糊地带。你以为想清楚了，但写的时候才发现，中间有一段逻辑是空的。 写作像一面镜子，它能照出你理解中的盲区。 # 03 ## 让现在的你审视过去的你  这是距离。 元认知的另一个关键要素：**距离感**。 你不可能在思考的同一瞬间观察自己的思考。 但写作创造了时间差，今天写下来的想法，明天、下周、甚至一年后都可以回看。 这时候，你不再是以当事人的身份在看，而是以观察者的身份在看： > "哇，我当时居然是这样想的。" "这个判断现在看也太冲动了吧。" "原来我遇到这类问题时，总是会陷入同样的思维模式。" 这种距离感，就是元认知的燃料。 你积累的记录越多，可回看的素材就越丰富；回看得越多，你对自身思维模式的认识就越清晰。这是一个持续进化的反馈循环： **记录 → 回看 → 发现模式 → 调整 → 继续记录** 正如我在那篇关于记录的文章中说的：记录的真正价值，不在于保存信息，而在于迫使你去思考。 # 04 ## 什么样的写作不训练元认知  这是陷阱。 当然，不是所有写作都等于元认知训练。以下三种情况，写再多也没用： **1. 机械抄写与复制粘贴** 从书上划线、从网页摘抄、把别人的话原封不动搬到笔记里。这种行为本质上是搬运，不涉及任何思考和判断，元认知根本不会参与。 **2. 只记不复盘** 写了很多卡片，但从不回看。记录只完成了存档这一步，而元认知需要在回看中才能真正发生。不回看，就永远没有观察过去的自己的机会。 **3. 过度整理** 花大量时间在分类、标签、排版美化上。看似在整理知识，其实是在用低认知负荷的机械劳动，逃避真正需要费脑的思考。 真正有效的写作，关键在于**经过自己的加工**，用自己的话重述、建立关联、提出质疑、形成判断。这个过程越费力，元认知的参与就越深。 这也是为什么我最初在将 AI 接入 Obsidian 时，一直比较在意的一点。尽管我把操作交给了 AI，但要写入的内容，对读写的选择与判断，这些对元认知有帮助的部分，还是自己做的。 # 05 ## 如何开始？  理解了上面的逻辑，如何做就变得很自然了： **1. 用自己的话写** 这是最重要的一条。无论是读书笔记还是日常感悟，尽量用自己的语言重新组织。哪怕写得粗糙，也比完美的摘抄有价值得多。你在重新组织语言的过程中，就是在思考。 > 注：对于金句，我会写成金句卡片，金句本身可以摘抄，但会在下面附上给自己带来的启发与思考 。 **2. 不用追求完美** 很多人一开始就追求一篇好文章，结果写了半天写不出来，几次之后就放弃了。初期可以只写一段话，甚至一两句话。关键是让大脑习惯把想法外化这个过程。 这个习惯的养成，对我来说就是记录原子化卡片，而且现在多是通过语音录入的方式将想法向外倾倒出来，没那么难。 **3. 定期回看** 写下来的东西，要给它第二次被审视的机会。不需要每天回看，但偶尔翻开之前的记录，问问自己："我现在还同意当时的观点吗？"，"是否又有一些新的思考？" 单是这一个动作，就比写一百张卡片但不回看有效得多。 **4. 暴露漏洞时别跳过** 当你在写作中发现自己卡壳了，或者某个地方写不清楚，不要绕过去。这恰恰是思考中的薄弱环节，也是写作作为思考工具最有价值的时刻。停下来，想清楚，再继续。 # 06 ## 结语 写作是一项被严重低估的认知训练。 它最大的价值不是记录知识，而是让你有机会**观察和优化自己的思考过程**。 在这个 AI 能帮我们做越来越多事情的时代，记录与写作，更应该被重视，因为我们在写的不是内容，而是**思考本身**。 ##### [全文完] <section style="margin: 4rem 0 1rem 0; font-size: 16px; color: #8C7B65; letter-spacing: 2px; font-weight: bold; text-align: center;"> ✦ BETTER, EVERY DAY ✦ <p style="margin: 0 0 25px 0; font-size: 14px; color: #5A5A5A; line-height: 1.8; padding: 0 10px; text-align: justify; text-align-last: center;"> 如果你对 <strong style="color: #8C7B65; font-weight: normal;">AI 时代如何创作与学习</strong> 感兴趣 <br><br> <span style="font-size: 12px; color: #999;">请添加下方微信，一起学习交流</span> <img src="https://img.dailyup.xyz/originals/8208528100863-7089e7c9-8df0-47ea-b5ee-e4716985e549.jpg" style="width: 240px; display: block; margin: 1rem auto;"> </section>https://dailyup.blog/posts/2026-04-24_blog_opensource-my-obsidian-starter/https://dailyup.blog/posts/2026-04-24_blog_opensource-my-obsidian-starter/我花了两天时间整理优化，把这套 AI x Obsidian 系统开源出来，包括框架、22种卡片模板、10个AI技能以及使用指南。Fri, 24 Apr 2026 00:00:00 GMT  # 00 ## 前言 上周我写了一篇文章: 把我近一段时间将 AI 接入 Obsidian 的过程理了一下。反响还不错，有不少朋友加我微信，都在问一些细节。 主要集中在两个方面，**一个是我这套系统是具体怎么搭建起来的；还有一个是我里面的模板、 skills，能不能分享出来**。 本来之前就有计划把一些模板和 skills 分享出来。后来想了一想，**里面的模板和 skills 虽然重要，但整个系统要跑起来，发挥出威力，还需要有一套框架性的支撑**。 我花了两天时间整理优化了一下，准备把这套系统开源出来，包括框架、模板、 skills 以及常见用法。 希望大家拿到后，花一点时间就可以把这一套系统正常跑起来。 那这篇文章算是针对性的一个使用指南。我会分为两部分来分享。 - **第一部分是新手指南，怎么把系统搭建起来** - **第二部分我会稍微拆解一下，是怎么来设计的**。 # 01 ## 项目信息 **Github 地址：** <https://github.com/jexchan/dailyup-second-brain-starter> 项目包括完整的知识库目录结构，内置了完整的系统规则、22 种卡片模板和 10 个 AI 技能。 **开源协议：** 项目**代码**采用的 MIT，**内容**是 CC BY 4.0。 简单来说就是：**自由使用、修改、商用，保留出处就行。** > 也欢迎大家帮我点一下收藏，或者分享给有需要的朋友，感谢！ # 02 ## 新手指南 ### 1. 克隆项目到本地 ```bash # 方式 A：用 GitHub Template 一键创建 # 点击仓库首页的 "Use this template" # 方式 B：直接 clone git clone https://github.com/<repo>.git my-brain cd my-brain ``` 克隆到本地后，用 Obsidian 把 `my-brain/` 作为 Vault 打开，然后大家可以先浏览一下项目的整体结构，包括有哪些文件夹，每个文件夹下有哪些文件，通过文件名应该就大概知道是干什么的了。 我在项目当中**已经预设了一些示例文件，包括知识卡片、项目等等**，主要是方便大家先有一个整体的感觉。 重点可以查看一下 `00_System/` 下面的所有文件，系统的所有规则都在这下面。 ### 2. 检查项目情况 打开 Claude Code 或 Codex，在 Vault 目录下跑一下 `session-brief` 这个技能。 ```bash /session-brief ``` AI 很聪明，它会告诉你当前系统的基本情况是什么样的，接下来该怎么做，按它说的来做就行了。  通常来说，把下面三件事情做了，你的第二大脑就真正上线了。 1. **补充个人上下文，让 AI 更了解你** 2. **清空系统中的示例数据并创建今日 Daily Note** 3. **创建你的第一张知识卡片** ### 3. 补充个人上下文 个人的上下文都是放在 `01_Context/` 文件夹下面的。 **这是让 AI 长期协作生效的前提**。 主要补充下面三个文件： 1. `01_Context/About_Me.md` — 告诉 AI 你是谁 2. `01_Context/Mission_and_Vision.md` — 长期方向 3. `01_Context/Current_Priorities.md` — 当前重点 **这一步是整个系统的灵魂注入** 。填得越具体，AI 越了解你，与 AI 协作的效果越好。 **内容也不建议手动填写**。 可以打开 Claude Code 或 Codex，直接语音输入告诉 AI：下面是关于我的一些信息，我是谁？我的目标和愿景是什么，当前重点在做什么等等。 然后加上一句，**帮我更新到我的上下文信息里去**。 正常情况下，系统会知道把你输入的信息更新到对应的文件里去。 建议一定要去 `01_Context` 下打开这些文件，检查一下描述的是不是准确，是否满足你的要求。 ### 4. 清空示例并创建 Daily Note 这一步比较简单，我已经帮你准备了一个脚本，直接运行即可 ```bash bash scripts/init.sh --yes ``` 怎么在终端下运行这条命令，你也可以直接告诉 AI，让它帮你去运行。  同样别忘了，运行完成后，打开 `Obsidian` 去看一看，验证一下所有的示例文件是否都清除掉了，今日的 `Daily Note` 是否创建好了。 ### 5. 创建第一张知识卡片 调用 `/card-creator` 技能，**开始积累内容，构建你的知识网络**。 使用方法也非常简单，比如，下面是我调用这个技能，然后用语音输入的方式录入了一段我看到的话和一点启发。  敲回车后，`card-creator` 技能会帮我判别这些是否需要被拆分成不同的几张卡片，每张卡片应该属于什么类型。 经确认后，AI 会帮我把这张卡片创建起来，并且也会检查现有的卡片是否有与当前这张卡片有关联的，如果有关联，它也会通过 `Obsidian` 中的双向链接帮我把关联加上。  在整个过程中，**建议所有的写操作，都需要由你自己来判断，确认后才去真正执行**。 我们的目的**不简单是为了创建这张卡片，而是为了帮助你更好地思考，所有的内容都需要经过你的脑**。 # 03 ## 核心设计思路 ### 老系统思路 在把 AI 接入 Obsidian 点之前，我花在 Obsidian 上的设计主要就是两个： 1. **一套自己定义的文件命名规范** 2. **原子化的知识卡片设计** 有了这两点，我要去找到某个信息，它的一个路径就非常清晰了。 **文件名 ⭢ 特定文件 ⭢ 双向链接 ⭢ 相关联的文件** 当时我其实一点都不关心我整个文件的组织结构，因为它对我触达信息没多大用。 ### 新系统思路 现在不同，一旦我们要和 AI 协作，结构和规则就非常重要了。这里面有一个关键的点是，**知识库的使用者不再只是我自己，还有 AI**。 所以我们需要为 AI 设计，这也是我所理解的 AI native。 所以在当前这套系统，文件夹的组织方式是怎么样的，文件命名的规则是怎么样的，AI 该通过什么方式去找到所需要的信息，这些都非常重要。 简单来说，我是在**构建一个有规则的第二大脑，我和 AI 都了解这些规则，而且知道怎么去用它**。 核心规则可以浓缩成三句话： 1. **每个文件夹都有明确的任务作用** 2. **每个知识单元都是原子化、可链接、可复用的** 3. **每条规则都写下来，给人看，也给 AI 看** 下面是整个项目的文件夹结构及作用。 ```markdown ├── 00_System/ # 所有规则都在这里 ├── 01_Context/ # 你是谁、想做什么（AI 首先读这里） ├── 02_Daily/ # 每日记录 ├── 03_Projects/ # 具体项目（8 件套标准结构） ├── 04_Knowledge/ # 长期知识沉淀（含 22 种原子化卡片） ├── 05_References/ # 网上剪藏 ├── 06_Tasks/ # 任务收集 ├── 07_Bases/ # 数据库视图 ├── CLAUDE.md # AI 协作总导航 └── AGENTS.md # 通用 Agent 导航 ``` ### 设计一：`CLAUDE.md` 这是 Vault 里最关键的一个文件，给 AI 的第一封信。 任何 AI 协作工具（Claude Code / Cursor / Codex）进入这个 Vault 的第一件事，就是读它。 里面写清楚了： - **系统规则**，仓库的总体结构、命名规范与读写规则 （`00_System/`） - **你是谁、你在做什么**（路由到 `01_Context/`） - **项目资料放哪**（路由到 `03_Projects/`） - **知识沉淀放哪**（路由到 `04_Knowledge/`） 以后再进入项目，**AI 不再需要你每次都解释一遍背景。** 你打开 Claude Code，直接说"帮我做个周度回顾"，AI 就知道去读最近 7 天的 Daily Note、最近的项目 `04_Next.md`、本周 `06_Tasks/This_Week.md`，然后给你一份结构化的周报。 ### 设计二：22 种原子化卡片 这是从 `Zettelkasten` 方法论里提炼出来的核心工作流。 每张卡片只讲一件事，通过 `[[双向链接]]` 和文件属性里的 `related` 字段构建知识网络。 这 22 种类型覆盖了知识工作的全部基本单元：  每种类型都有结构化模板。 AI 可以根据你说的话，**自动判断类型、填模板、保存到正确位置**。 > 注：这些知识卡片类型是根据我自己的需求来设定的，绝大部分应该可以通用。如果你有自己特定的需求，你也可以创建自定义的知识卡片类型，加入到系统。 #### 设计三：10 个开箱即用的 AI 技能 这是最有意思的部分。 我把很多高频、重复性的流程，做成了可复用的 Skills。**这些 Skills 也是我当下和这套系统进行交互的主要方式**。 模板里预装了 10 个最常用的 Skills，任何支持 Agent Skills 的工具都能用：  这些 Skills 的共性是：**它们都基于这套系统的结构去工作的**。不是你给 AI 一段话让它凭空生成，而是让 AI 从你已有的知识里提取、综合、产出。 # 04 ## 结语 说了这么多，这套系统**主要是解决让大家快速用起来的这个问题，但它并不能解决你怎么样把它用得更好的问题**。 唯一的建议就是，一旦跑起来，尽量的多用、多记、和 AI 多互动。 个人的经验，**当你系统里面的卡片超过 100 张的时候，系统的价值就会慢慢浮现出来了**。 如果你也认真对待长期学习这件事，希望它能帮你搭一个不会烂尾的知识基础设施。 另外，这套系统框架也还在不断的迭代当中，肯定还有不少待完善的地方。 **欢迎 Star ⭐ 和 Fork，更欢迎提 Issue 和 PR**。 如果你也在用 Obsidian，或者也在探索 AI 如何真正进入自己的知识系统，欢迎加我微信一起交流！ ##### [全文完] <section style="margin: 4rem 0 1rem 0; font-size: 16px; color: #8C7B65; letter-spacing: 2px; font-weight: bold; text-align: center;"> ✦ BETTER, EVERY DAY ✦ <p style="margin: 0 0 25px 0; font-size: 14px; color: #5A5A5A; line-height: 1.8; padding: 0 10px; text-align: justify; text-align-last: center;"> 如果你对 <strong style="color: #8C7B65; font-weight: normal;">AI 时代如何创作与学习</strong> 感兴趣 <br><br> <span style="font-size: 12px; color: #999;">请添加下方微信，一起学习交流</span> <img src="https://img.dailyup.xyz/originals/8208528100863-7089e7c9-8df0-47ea-b5ee-e4716985e549.jpg" style="width: 240px; display: block; margin: 1rem auto;"> </section> https://dailyup.blog/posts/2026-04-17_blog_refactoring-my-obsidian-with-ai/https://dailyup.blog/posts/2026-04-17_blog_refactoring-my-obsidian-with-ai/过去一个月，我并行运行了两套 Obsidian 系统——一套延续手动方式，一套完全按 AI Native 重构。结果让我决定：全面转向 AI x Obsidian。Fri, 17 Apr 2026 00:00:00 GMT  ## 摘要 过去很长一段时间里，我一直在刻意让 Obsidian 和 AI 保持距离。因为我担心，一旦把知识整理、组织甚至生产都交给 AI，人脑与知识库之间的连接会变弱，思考也会变浅。 但这一个月，我认真做了一次实验：**并行运行两套 Obsidian 系统**，一套延续过去的手动方式，一套完全按 AI Native 的思路重构。 一个月后：**我决定，全面转向 AI x Obsidian。** 这篇文章也是一个整个过程的记录，篇幅较长，包括我的思考和心态转变，希望是对想要尝试将 AI 和自己的知识库相结合的小伙伴来说，有一点借鉴意义！ # 00 ## 我为什么一直拒绝让 AI 进入 Obsidian > **纸张是用来记录我们需要记住的事物。而我们的头脑，是用来思考的** > **—— 爱因斯坦** 我用 Obsidian 已经四年多了。 这四年里，我在里面记录了超过 5000 张卡片，平均下来每天 3～5 张。大部分思考、整理和输出，也几乎都是围绕这套系统来展开的。  坦白说，它原本已经工作得很好了。 所以当越来越多的人开始讨论 AI 和 Obsidian 时，我会去看别人怎么用，但一直没有真正动手。 不是没兴趣，而是有一些顾虑。 我一直相信：**那些亲手记录、亲手整理、亲手建立关联的动作，本身就是学习和思考的一部分。** 我一直觉得，Obsidian 之所以对我有效，不只是因为它存了很多我的内容，而是因为这些内容，从输入、记录、整理，到卡片之间建立关联，几乎都是我自己亲手完成的。**这些动作看上去像是在做记录，但它们本身就是思考的一部分**。 正因为这些内容经过我手，**我的大脑里对这套知识库才会有一种框架性的映射**。虽然不是每张卡片都记得，但整个知识网络的大体结构，我心里是有感觉的。这也是为什么，多年来我一直觉得这套系统用起来很顺。 另外，我也是一名重度的 AI 使用者。 我一直有一个担心：**如果把内容生产和组织管理都交给 AI，会不会省掉那些原本应该留在大脑里的关键动作？** 久而久之，我可能拥有了一个越来越完整、越来越漂亮的知识库，但它和你自己的大脑之间，却没有建立起足够深的连接。那样的话，知识库也许更强了，但人的思考，反而可能变浅了。 正因为这些顾虑，我一直没有真正把 Obsidian 知识库交给 AI。 # 01 ## 直到今年，我意识到自己可能忽略了什么 转折大概发生在今年一二月份。 无论是从身边，还是从各种信息渠道，我都明显地感受到，越来越多的人开始认真在实践 AI x Obsidian 的做法。 一些我一直在关注的人（如 Andrej Karpathy、Steph Ango），也在积极拥抱这一块。 这让我开始重新思考：**会不会我的担心多余了，或者说忽略了这种结合带来的更重要的价值？** 下定决心，准备试一试。 我自己有一个习惯：**对于任何一套新的工作流程，我都会刻意、高强度地使用一段时间，等真正有了体验、有了比较，再做最终的判断。** 这一次我也决定这样做。 # 02 ## 我并行跑了两套系统，做了一个月对照实验  为了尽可能减少判断偏差，我没有直接把旧系统推翻重来。 相反，我选择了一个更笨、但更可靠的办法：**并行运行两套 Obsidian 系统。** 一套，是我原来那套已经运转成熟的学习与创造力系统。 它依然按照我过去熟悉的方式工作。我会继续每天写 3～5 张卡片，保持原来的输入、处理、输出习惯。最重要的是，**这套系统的生产过程依然以手动为主，几乎不借助 AI。** 另一套，是我新建的一个 Obsidian 仓库。**这套系统从一开始就是按更适合 AI 操作的思路来搭建的。**文件夹结构、命名方式、模板、交互逻辑，全部围绕 AI Native 的方式重构。 在新的这套系统里，几乎所有的操作都交给 AI 完成；当然，**写什么、读什么、为什么这样做，决策权始终在我手里。** 对于新的这套系统，我也不是偶尔用用，**而是真正高频地、刻意地去用它**。一个月后，对比结果出来了。 # 03 ## 结果比我预想得更明显  先说最直观的一组数据。 在旧系统里，我平均每天生产 3～5 张卡片。 而在新系统里，一个月下来，总共生产了 200 多张卡片，平均下来每天 7～8 张卡片。 这还不是最让我意外的，毕竟有了 AI，纯效率提升，是在预判之中。 真正让我意外的是：**我之前所有担心的问题，几乎都没有发生。** 我原本以为，借助 AI 以后，我对内容的理解可能会变浅，思考可能会变弱。但实际体验恰恰相反。很多时候，不仅没有减弱，反而带来了更深的思考。 因为 AI 并不是简单替我写东西。更准确地说，它只是把很多原本高摩擦、低效率、但又不得不做的操作成本降下来了，**让我能把更多注意力放在判断、连接、选择、修正这些更有价值的地方。** 系统运转实际更顺畅了，这个变化，对我来说非常关键。 我决定，全面转向 AI x Obsidian 这套方式！ # 04 ## 从笔记工具到个人 AI 操作系统  几年前开始接触 Obsidian 的时候，我把它当作一个笔记工具。 后来，它变成了个人知识管理系统。 再后来，它成为我的学习与创造力生产系统（也是我全面接入 AI 之前的用法）。 而现在，在 AI 加入以后，我更愿意把它叫做：**一套为我服务的 AI 基础设施。更激进一点，我把它叫做：我的个人 AI 操作系统。** 为什么这么说？过去那套学习与创造力系统能实现的功能，新的系统都能实现；而以前做不到的一些事，现在也变得可能了。 比如，我不需要自己一层层翻文件，也不需要记住内容具体藏在哪个目录。**我可以直接从整个知识库里调取分散的信息，让系统给我一个结论、一个洞察，甚至是一份报告。** Obsidian 还是之前的 Obsidian，变化的只是一种工作方式和流程，但从能做的事情和感觉上已经完全不同了。 # 05 ## 这套系统我是怎么搭起来的  ### 1. 工具组合 先说我目前使用的核心工具组合，其实比较简单。 * **Obsidian**：这是前端，整个系统的承载界面。 * **Claude Code**：AI 和系统交互的主要入口，我主要通过它去读写、调用、调度整个 Obsidian 仓库。 * **底层模型**：我目前接入的是智谱 GLM，接入 Claude Code 使用。 > 说明：你完全可以使用其他的大模型或者 Agent 工具，并非这个组合就是最好的，只是当下刚好我在用，工作得还不错。 ### 2. 文件组织方式 接着是文件组织方式。 这一套文件夹结构，我在一个月里迭代了两三次。当然还有一些局部结构不太满意，但整体运转已经比上一代系统更顺畅了。 ```bash ├── 00_System/ # 系统级规则、导航、写作规范、AI 工作原则 ├── 01_Context/ # 稳定的全局上下文（个人定位、使命、品牌、受众） ├── 02_Daily/ # 每日记录、会话摘要、临时想法、最近进展 ├── 03_Projects/ # 具体项目资料 ├── 04_Knowledge/ # 长期知识沉淀与方法论 │ └── 00_Cards/ # 原子化知识卡片（190+ 张） ├── 05_Resources/ # 模板、Prompt、框架、示例、可复用素材 ├── 06_Skills/ # 任务流程说明与技能定义 ├── 07_Tasks/ # 任务收集、本周重点、等待项 ├── 08_Archive/ # 归档资料 ├── 42_Bases/ # Obsidian Base 数据库视图 ├── Attachments/ # 所有附件统一存放 └── CLAUDE.md # AI 协作导航文件（总入口） ``` 对我来说，下面几个部分尤其关键： * `CLAUDE.md`：帮助 AI 更理解整套系统 * `/01_system`：AI 与系统交互时需要遵守的约束与规范 * `/02_context`：让 AI 更了解我 这几个部分，本质上是在解决一个很核心的问题：**让 AI 更懂这套系统，让我可以更好地通过 AI 和这套系统进行交互。** # 06 ## 我把高频动作做成了 Skills 为了让这套系统更稳定地运转，我把很多高频、重复性的流程，做成了可复用的 Skills。 **这些 Skills 基本上是我当下和这套系统进行交互的主要方式。** 其中有些 Skills 也不是我当初就设定好的，而是我在和知识库的日常交互当中发现并提取出来的。 整个过程还挺有趣的，其实有点写代码的感觉（虽然不是我自己一行一行去写的）。 列出来，供大家参考： * **/today**：根据系统中的任务和上下文，生成当天的执行计划。我通常会在这个基础上创建 Daily Note。 * **/closeday**：用于收尾一天。查看当天完成情况，回顾执行状态，并把确认后的结果回写进系统。 * **/weekly-review**：每周一次的周回顾。用来检查这一周项目、课程、产品等事项的推进情况，为下周计划提供依据。 * **/brain-storming**：围绕一个主题、想法或一小段思考做发散。发散之后，再由我来收敛，并把结果沉淀进系统。 * **/connect-topic**：输入两个概念或两个主题，让 AI 在系统中做远距离联想，帮助我发现它们之间可能存在的关联或有意思的洞察。 * **/random-thinking**：基于我的知识库，帮我随机地抽取某些值得深入思考、有趣、有惊喜的主题内容。 * **/check-health**：定期帮我审查我的系统里面有哪些矛盾的观点，有哪些失效的双向链接，有哪些孤立的卡片。 * **/card-creator**：这是我目前使用频率最高的一个 Skill。因为在我的系统里，**几乎所有文件都是一张原子化卡片**。这个 Skill 会根据我的输入自动判断卡片类型，并引导我创建出对应卡片。 其中，最常用的是 `/card-creator` 这个技能，在一个月里大概迭代了 10 次左右，几乎平均两三天就会调整一次。 我最常见的一种用法是：`/` 呼出技能，然后对着系统开始说，说完后交给技能，AI 会帮我判断是否要拆成多张卡，是什么类型的卡，与我现有系统哪些卡有关联？甚至会根据我自己的要求来帮我完善卡片内容。 整个过程，**AI 会帮我做出一些判断，最终由我来下决定**，是否要拆、是否要执行、是否要建立关联、补充的内容是否合适等等。 下面是这个技能支持创建的卡片类型，以及这一个月我创建的每类卡片的数量记录。  > 你看到的这张图里总结的卡片类型，以及每个类型所对应的数量，也是由 AI 给到的。 这也让我越来越确信：**真正有价值的，不只是有没有 AI，而是你有没有把自己的工作流沉淀成一套能被 AI 理解和执行的结构。** # 07 ## 一个月下来，我得到的几个关键经验  这两套系统并行运行一个月之后，我有几个体会特别深。 ### 1. 文件命名规范没有失效，但它不再是第一入口了 我原来的系统之所以能稳定运转，一个重要原因，就是我设计了一套文件命名规范，方便通过 `Command + O` 快速找到内容。 但这次用 AI 重构之后，我发现自己越来越少去找某个文件，而是越来越多直接和整个知识库互动。 后来我想明白了：**我们和系统交互的目的，从来不是找到文件，而是获取信息、解决问题。** 以前，文件命名规范是实现这个目标的重要手段。现在有了 AI，我可以直接描述我要什么，至于答案来自一个文件，还是多个文件，由 AI 去处理。 所以，文件命名规范并没有失效。只是它已经退到了后台，**不再是我与系统交互的第一入口。** ### 2. 我的思考没有变浅，反而得到了更多启发 这是我最意外的地方。 一开始我一直担心，全面接入 AI 之后，我和知识库之间的连接会变弱，思考也会变浅。 真实体验刚好相反：**我的思考不仅没有变浅，反而更深了。** 原因很简单：**内容的源头、判断和关键决策，仍然都在我这里。** AI 负责整理、归类、提取和提示关联，但真正决定写什么、留什么、怎么连，还是我。 而且，AI 特别擅长发现我一时没看到的关联。 很多时候，**它把一些潜在连接呈现出来，反而会触发我回到系统里重新看、重新想，于是新的理解和新的想法也跟着出来了**。 所以，AI 并没有削弱思考。 恰恰相反，它给了我更多二次思考的机会。 ### 3. 全面拥抱语音输入 这是另一个变化很大的地方。 以前我也会偶尔用语音输入，但大部分时候还是靠手打，因为我一直觉得，打字本身就是思考的一部分。 但最近一个月高频使用下来，我的看法几乎完全变了。 我现在已经全面拥抱了语音输入。 一方面当然是因为它更快。 但更重要的是，**语音输入会把很多打字时带不出来的东西一起带出来**：一些还没完全成形的想法，一些模糊但有价值的上下文，甚至一些看似啰嗦的补充。 以前我会觉得这些是噪音。 但现在有了 AI，我发现它们反而成了有价值的材料。 错别字可以纠正，口语化和重复也可以整理，**而那些隐性的上下文，会让 AI 后续的提炼效果变得更好**。 有些时候，AI 整理出来的结果，甚至会让我觉得： **对，这就是我真正想表达的。** 实际上，这篇文章本身，也是我通过语音输入完成的，只是在最后让 AI 帮我做了结构化处理。 所以，内容仍然是我原创的。但 AI 在其中起到了非常重要的辅助作用。 > 我目前使用的语音输入是 **Typeless** 和 **豆包语音输入法**，工作得很好。 ### 4. 这套系统，已经超越了简单的知识库管理 经过这一个月的高强度使用之后，我越来越明确地感觉到：**它已经开始成为我个人的一套 AI 基础设施。** 它服务的范围，已经不只是记笔记、管卡片、做整理，甚至做输出，**它是我非常好的思考和学习伙伴，我们是在共同成长**。 接下来，我想把它继续扩展到更广的场景里，比如孩子的成长与学习、自己的财务管理、创业中的想法沉淀和决策协作。 也正因为这样，我越来越愿意把它叫做：**我的个人 AI 操作系统。** # 08 ## 接下来，我准备继续做三件事 1. 继续迭代和完善我现在这套 AI x Obsidian 的工作流程。 2. 逐步把其中已经成熟的一些 Skills 开放出来。 3. 把这套工作方式延伸到更具体的应用场景中去。 当然，其中的真实体验，我也会记录下来，**这些都是我这套系统最有价值的养分**。 如果你也在用 Obsidian，或者也在探索 AI 如何真正进入自己的知识系统，欢迎加我微信一起交流！ ##### [全文完] <section style="margin: 4rem 0 1rem 0; font-size: 16px; color: #8C7B65; letter-spacing: 2px; font-weight: bold; text-align: center;"> ✦ BETTER, EVERY DAY ✦ <p style="margin: 0 0 25px 0; font-size: 14px; color: #5A5A5A; line-height: 1.8; padding: 0 10px; text-align: justify; text-align-last: center;"> 如果你对 <strong style="color: #8C7B65; font-weight: normal;">AI 时代如何创作与学习</strong> 感兴趣 <br><br> <span style="font-size: 12px; color: #999;">请添加下方微信，一起学习交流</span> <img src="https://img.dailyup.xyz/originals/8208528100863-7089e7c9-8df0-47ea-b5ee-e4716985e549.jpg" style="width: 240px; display: block; margin: 1rem auto;"> </section>https://dailyup.blog/posts/2026-02-23_blog_antifragile/https://dailyup.blog/posts/2026-02-23_blog_antifragile/重读塔勒布《反脆弱：从不确定性中获益》，全面重构核心思想：如何在充满黑天鹅和不确定性的世界里，让自己变得越混乱越强大。Mon, 23 Feb 2026 00:00:00 GMT  ==2026，重读经典系列 001== > 我不想什么都读，我宁愿反复阅读 100 本好书。 > -- Naval 新的一年，开启自己的经典重读计划，书的选择比较主观，大部分看过，但有些印象不深了，或者当时就没怎么看懂，**阅读过程借助了 AI，但保持警惕，不是让它帮我读，而是帮助我更好的深度思考**。 第一本选的是纳西姆·塔勒布的《反脆弱：从不确定性中获益》，这本书的核心思想并不复杂，但并不易读，在 AI 时代，无论个人还是公司，多点反脆弱总是好的。 --- ## 引言 在如今这个瞬息万变的时代，我们总是试图寻找一种确定性。我们拼命地规划人生，试图预测市场的走向，努力将一切不可控的因素排除在生活之外。然而，现实却屡屡给我们沉重的一击。 正如著名思想家纳西姆·塔勒布在其经典著作《反脆弱：从不确定性中获益》中所指出的那样，**我们这个世界最根本的特征，恰恰就是极其强烈的随机性和不可预测性**。 这是一本能够彻底颠覆你世界观的书。  作者纳西姆·塔勒布曾是一名资深的华尔街交易员，后来成为畅销书作家和风险研究学者。他在其著名的“不确定性系列”丛书（包括《 随机漫步的傻瓜 》、《 黑天鹅 》等）中，一直试图向人们揭示世界运转的真实逻辑。而在《反脆弱》这本书中，他更是提出了一个终极的解决方案：**既然我们无法预测“黑天鹅”事件的发生，那么我们唯一能做的，就是让自己具备一种神奇的能力：反脆弱能力**。 在这篇长达数千字的深度解析中，我将带您全面重构这本书的核心思想。无论你是创业者、投资者、职场人，还是渴望在动荡世界中寻找安宁的普通人，这篇文章，都将为您提供一份极其宝贵的生存与发展指南。 ## 第一部分 ### 认知颠覆：什么是真正的反脆弱？  要理解什么是“反脆弱”（ Antifragile ），我们首先需要重新定义我们对事物状态的认知。 **塔勒布提出了一个经典的“三态模型”，将世界上的事物分为三类：脆弱的、强韧的、反脆弱的**。 为了生动地解释这三种状态，作者使用了希腊神话中的三个经典形象： #### 1. 达摩克利斯之剑（脆弱性 Fragility） 脆弱的事物就像是悬挂在达摩克利斯头顶的那把剑，仅仅由一根极细的马鬃拴着。它在平静的环境下看起来安然无恙，但是一旦有微风吹过，或者出现任何一点轻微的扰动，剑就会掉下来，导致毁灭性的后果。 **脆弱的事物极其厌恶波动性、随机性和不确定性**。在生活中，比如一个负债累累、现金流极度紧张的公司，或者一个除了死工资没有任何其他收入来源、且背负高额房贷的职场人，都是极度脆弱的。一旦遇到经济危机或裁员，他们就会遭遇灭顶之灾。 #### 2. 凤凰涅槃（强韧性 Robustness） 强韧的事物就像是神话中不断浴火重生的凤凰，或者是一块坚硬的石头。任凭风吹雨打，它都能保持原样，不轻易受到外界环境的破坏。 **强韧的事物能够抵抗冲击，在不确定性面前保持坚挺**。但是，强韧的极限仅仅是“不受伤”或者“复原”，它并不能从冲击中获得任何额外的好处。 #### 3. 九头蛇怪（反脆弱性 Antifragility） **反脆弱则是超越了强韧的终极状态**。 希腊神话中的九头蛇怪海德拉就是反脆弱的完美象征。如果你砍掉它的一颗头，它不仅不会死，反而会长出两颗全新的头来。它不仅不怕伤害，反而能够从伤害、混乱、压力和不确定性中获益，变得比原来更加强大！ 理解了这三个概念，我们就能明白塔勒布的核心观点：**在不确定的世界里，仅仅做到“坚强”或“强韧”是不够的。我们需要让自己变得“反脆弱”。** 因为强韧的事物充其量只是抵御风险，而反脆弱的事物则是将风险视为养料。风会熄灭蜡烛，却能使火越烧越旺。 ## 第二部分 ### 现代性的诅咒与过度干预的灾难  在书中，塔勒布对现代社会进行了一次毫不留情的批判。他认为，**现代社会的许多机制，不仅没有增加我们的安全性，反而系统性地扼杀了原本存在的反脆弱性，使得整个世界变得越来越脆弱**。 他将这种现象称为“现代性的脆弱”。 #### 1. 医源性损伤：帮忙帮成了倒忙 这是一个借用自医学领域的词汇。**医源性损伤指的是，医生在试图治疗患者的过程中，反而给患者造成了新的、甚至更严重的伤害**。比如，仅仅为了预防轻微的感染而滥用抗生素，最终导致了超级细菌的产生，摧毁了人体自身的免疫系统。 塔勒布认为，医源性损伤不仅存在于医学界，更广泛地存在于经济、教育、政治等各个领域。 现代社会的管理者和专家们患有一种“干预强迫症”。他们看到一点点经济波动，就急于出台政策进行干预；看到孩子有一点点挫折，父母就立刻像“直升机”一样降落并扫清障碍。 **这种人为消除短期波动的做法，实际上是将小风险不断累积，最终酿成系统性的大崩盘。** 就像森林防火一样，如果为了防止火灾而扑灭每一次微小的野火，那么森林中就会堆积大量高度易燃的干枯树木和树叶。当某一天大火真正燃起时，将是摧毁一切的炼狱级大火。 大自然系统本身是反脆弱的，它需要通过周期性的小火灾来清理枯木，完成新陈代谢。过度的人为干预，恰恰剥夺了系统进行自我净化的能力。 #### 2. 观光者与漫步者 塔勒布用“观光者”来形容现代人被严格规划的生活。 这就好比参加一个旅行团，每天早上几点起床，去哪个景点，吃什么饭，都被导游安排得明明白白。**没有任何意外，没有任何随机性**。 很多人的职业生涯也是如此，上重点小学、重点中学、名牌大学，进入世界五百强，按部就班地升职加薪。这种看似完美、高效的生活路径，实际上极其脆弱，一旦某个环节脱轨（如行业消失、公司倒闭），整个生活就会崩溃。 相反，我们要学会做生活中的“漫步者”。 漫步者没有固定的目的地，他们根据自己的心情和一路上遇到的风景随时调整路线。**他们拥抱随机性，因为只有在没有严格规划的漫步中，才有可能遇到意想不到的惊喜和机遇**。 ## 第三部分 ### 应对不确定性的终极武器：杠铃策略  既然我们身处一个充满不确定性且过度复杂的现代社会，那么我们该如何构建自己的反脆弱系统呢？ 塔勒布给出了一个极具实操性的方法论：**杠铃策略**。 在举重运动中，杠铃的重量集中在两端，中间是空的。 塔勒布借用这个形象来比喻一种应对风险的资源配置方式：**在两端采取极端的行动，放弃中间地带**。 传统观念认为，中庸之道是最好的，比如把所有的钱都投资于中等风险、中等收益的理财产品。 但在塔勒布看来，中等风险实际上是最危险的，因为你不仅可能赚不到大钱，还可能在“黑天鹅”事件中血本无归（因为所谓的“中等风险”往往是基于对过去的线性预测，而一旦发生极端事件，中等风险资产会瞬间变成高风险）。 杠铃策略的精髓在于： >**将大部分资源（比如 90%）配置在绝对安全、极端保守的地方，以确保生存底线；将小部分资源（比如 10%）配置在极度激进、具有无限上涨空间的领域，以博取非对称性的巨大收益。** 让我们看看杠铃策略在不同领域的应用： #### 1. 投资领域的杠铃策略： 不要把钱投资于中等风险的股票或基金。你应该把 90% 的资金以现金或绝对安全的国债形式持有，确保不管发生怎样的金融海啸，你的本金都绝对安全。然后，将剩下的 10% 的资金投入到风险极高但潜在回报惊人的风险投资、初创公司或期权市场中。即使这 10% 全部亏光，你依然保留了 90% 的本金，你不会出局；但如果这 10% 押中了像 Apple 或 Tesla 这样的超级公司，你将获得几十倍甚至上百倍的巨额回报。 这就是利用反脆弱性赚钱的核心秘诀：**你的亏损是有限的，而你的收益是无限的**。 #### 2. 职业生涯的杠铃策略： 很多人追求一份“安稳”的中等收入工作，但这往往最容易被 AI 或外包替代。 职业的杠铃策略是：一方面找一份非常稳定、甚至不需要太动脑筋但能保证基本生存的工作（比如档案管理员、有编制的基础岗位），以获取安全感和闲暇时间；另一方面，利用业余时间去从事极具创造性和爆发潜力的事业（比如写作、做独立开发者、运营个人自媒体）。 著名作家卡夫卡就是这样，他白天在保险公司做着枯燥但稳定的文员工作，晚上则进行极其前卫的文学创作。 #### 3. 健康的杠铃策略： 在健身时，与其每天进行枯燥且中等强度的慢跑（过度磨损关节），不如采用杠铃策略：**平时保持极低强度的活动（如大量的散步），偶尔进行极其剧烈的极限冲刺或大重量的力量训练**。 这种极端平静与极端压力的交替，最符合人类祖先在狩猎采集时代的生理节律，能够极大地激发人体的反脆弱机制，促使肌肉和骨骼变得更加强壮。 通过杠铃策略，我们人为地切断了事物向下的风险（最多损失 10%），同时敞开了向上的收益空间。这正是获得反脆弱性的不二法门。 ## 第四部分 ### 预测的错觉与期权思维  我们为什么总是执着于预测未来？因为我们害怕未知。 但塔勒布告诉我们，在一个由极端事件主导的复杂系统中，精准预测未来是不可能的。那些宣称能预测股市、经济走势的“专家”，往往只是事后诸葛亮。 #### 1. 放弃预测，拥抱不对称性 既然预测是徒劳的，我们就应该放弃预测。反脆弱的智慧在于：**你不需要知道未来会发生什么，你只需要确保无论发生什么，你都能从中获益**。 这就要引入一个极其关键的概念：不对称性（Asymmetry）。 脆弱的事物具有负面不对称性，即潜在的损失大于潜在的收益（比如为了赚一点利息去放高利贷，结果本金全无）。**而反脆弱的事物具有正面不对称性，即潜在的收益远远大于潜在的损失**。 #### 2. 万物皆期权 在金融界，“期权”是一种权利，它赋予购买者在未来以特定价格买入或卖出某种资产的权利，但没有义务。如果你买对了，收益无限；如果买错了，最大的损失仅仅是买期权的权利金。**期权就是正面不对称性的完美体现。** 塔勒布认为，我们在生活中应该努力为自己创造更多的“期权”。拥有期权，意味着你保留了选择的权利，而不需要对未来做出死板的承诺。 比如，在一个不确定的行业里，保持技能的多样性就是一种期权。多结交不同圈子的朋友，也是一种期权。年轻时去不同的大城市闯荡、尝试不同的工作，也是在为自己积累人生的期权。 当随机事件发生时，如果你手握大量期权，你就可以从容地挑选那些对你有利的机会，而忽略那些有害的冲击。 这正是反脆弱系统的智能所在：**系统不需要聪明，只要系统能够保留好的突变，淘汰坏的突变，系统整体就会不断进化**。 就像大自然的进化史一样，大自然从来不去预测未来，它只是不断地随机试错（变异），让不适应环境的个体死亡，让适应环境的个体生存（筛选），最终实现了生物圈的无比繁荣和反脆弱。 ## 第五部分 ### 否定法：做减法的终极智慧  现代人有一种根深蒂固的思维习惯：**只要出了问题，我们总是本能地想去“增加”些什么来解决问题**。 生病了，我们想吃点什么药；企业业绩下滑了，我们想引入什么新的管理系统；生活不幸福了，我们想买点什么新东西。 然而，《反脆弱》一书提出了一种古老而深邃的智慧：否定法，即通过“做减法”来解决问题，从而增强系统的反脆弱性。 #### 1. 减法比加法更有效，也更安全 在复杂系统中，增加新的干预措施往往会带来不可预知的副作用（即前文提到的医源性损伤）。而消除引起问题的根源，或者移除那些脆弱的环节，往往是更安全、更有效的策略。 比如，你想变得更健康。与其去寻找各种昂贵的保健品、超级食物（做加法），不如先戒烟、戒酒、少吃高糖食品、避免熬夜（做减法）。去除那些对身体有明显损害的因素，身体本身的自愈能力（反脆弱性）就会自然发挥作用。 同样，在商业投资中，股神巴菲特和查理·芒格的成功秘诀，很大程度上也是应用了否定法。 芒格曾说过：“**如果我知道我会死在哪里，我就永远不去那个地方。**” 他们很少去预测哪些公司会成为伟大的公司，而是花极大的精力去剔除那些可能破产、财务造假、商业模式存在致命缺陷的公司。 只要排除了足够多的失败选项，剩下的自然就是能够长期生存并带来回报的好公司。 #### 2. 知识的否定法：破除“绿木材谬误” 塔勒布在书中提到了一个有趣的“绿木材谬误”。 他认识一个做绿木材（一种刚砍伐下来还没干燥的木材）交易赚了大钱的人。所有人都以为这个人一定是绿木材方面的专家，精通植物学，了解森林的分布。 但实际上，这个人根本不知道绿木材之所以叫“绿”，是因为它没有干透，他一直以为那是木材的颜色！但他懂得如何交易，懂得管理风险，懂得在市场价格波动中获利。 这个故事告诉我们，很多时候我们以为做成某件事需要某种特定的、复杂的理论知识，但实际上那只是一种错觉。 **真正的智慧往往在于知道“什么是不起作用的”、“什么是错误的”**。相比于证实某件事是真的，证伪一件事要容易且确定得多。 因此，在不确定的世界中，“不做什么”比“做什么”更重要。不瞎折腾，不去踩毁灭性的坑，你就已经战胜了绝大多数人。 ## 第六部分 ### 风险共担：没有伤痕的英雄不是真英雄  在书的后半部分，塔勒布将视角转向了道德和伦理层面，提出了一个极其犀利的观点：**现代社会之所以脆弱，一个根本原因在于大量存在着权利与责任的严重错位，即缺乏“风险共担”**。 #### 1. 隐蔽的剥削：收益私有化，风险社会化 塔勒布认为，最恶劣的脆弱性制造者，是那些在博弈中只享受收益、却不承担风险的人。 以 2008 年金融危机期间的华尔街高管为例。在危机爆发前，他们利用极其复杂的金融衍生品进行高风险对冲，只要赚了钱，他们就能拿到巨额的年终奖金（收益私有化）。而一旦系统崩溃，导致公司破产甚至波及整个全球经济，他们大不了拍拍屁股走人，最终由纳税人出钱来拯救这些“大而不倒”的金融机构（风险社会化）。 这种不对称的机制，使得这些高管极其渴望追求高风险、高波动的行为，因为他们具备了虚假的反脆弱性，无论结果好坏，他们都不会受损。而整个社会却因此变得极度脆弱。 同样的情况也发生在很多指点江山的“砖家”身上。他们可以在媒体上信口开河，给出极其离谱的经济预测或投资建议。如果猜中了，他们名利双收；如果猜错了，那是受众自己亏钱，专家不需要为自己的错误言论承担任何实质性的代价（没有切肤之痛）。 #### 2. 真正的英雄：承担后果，用真金白银投票 塔勒布极其推崇古巴比伦的《汉谟拉比法典》。 这部法典规定，如果一个建筑师建造的房子倒塌并压死了房屋的主人，那么这个建筑师将被处死。这就是最极致的“风险共担”。当建筑师知道自己的生命与房屋的质量直接挂钩时，他根本不需要任何繁琐的监管条文，就会拼尽全力确保地基牢固。 因此，要想让一个系统（无论是国家、公司还是团队）变得反脆弱，就必须强迫每一个参与决策的人将“自己”也放入局中。 **不要听一个人怎么说，要看他怎么做**。 如果一个基金经理向你推荐一支股票，你不要问他为什么看好这支股票，你只需要问他：“你自己的钱买了这支股票吗？” 如果他没有买，他的所有分析都是废话。 不要信任没有伤疤的将军。真正的领导者不是躲在安全的指挥所里纸上谈兵，而是与士兵同甘共苦，甚至冲锋在前。只有经历过失败、承担过损失、身上带着伤疤的人，才能从现实的毒打中汲取真正的智慧，才能带领团队在混乱中生存下来。 ## 第七部分 ### 从理论到实践，全面打造个人的反脆弱操作系统  读懂了《反脆弱》的核心理念，接下来最关键的问题是：**作为一个普通人，我们该如何在日常生活中践行这些思想，完成个人的系统升级？** 以下是一份高度浓缩的实操指南： #### 1. 拥抱微小的试错与挫折（主动引入压力） 不要试图过一种风平浪静、没有任何波折的生活。 大自然告诉我们，没有压力就没有生长。去尝试那些可能有微小损失、但能带来巨大成长的挑战。比如，主动承担一个有些超出你目前能力范围的项目；尝试学习一门很难的新语言；或者在业余时间开启一项副业。 每一次小失败都是一次信息反馈，它会让你在真正的致命打击到来前，完成免疫系统的升级。所谓“**杀不死我的，只会让我更强大**”（What does not kill me makes me stronger）。 #### 2. 构建多元化的收入与能力矩阵（摆脱单一依赖） 绝大部分打工人的脆弱性，来源于收入渠道的单一。 一旦公司裁员，现金流瞬间枯竭。要利用杠铃策略，在保持主业稳定的同时，刻意培养第二、第三技能。不要做一颗流水线上高度专业化、随时可被替换的螺丝钉，而要做一个拥有跨界整合能力的复合型人才。 当你拥有多个收入来源时，职场上的波动对你来说就不再是威胁，而是机遇。 #### 3. 保持宽裕的时间与冗余的资源（为黑天鹅留足空间） 现代社会过度强调“效率”，我们恨不得把日程表排得满满当当，把资金的利用率拉到满负荷。 但塔勒布警告我们，**极度的效率意味着极度的脆弱**。一个没有任何闲置产能的工厂，一旦遇到一个小小的零部件断供，就会全面停产。 **在生活中，你必须为自己留出冗余。** 在财务上，永远留有一笔不少于 6 个月生活费的紧急备用金；在时间上，不要把每天安排得密不透风，留出大块的空白时间用来思考、漫步、读书甚至发呆。正是这些看似“低效”的冗余储备，才是你在遭遇突发风暴时的救生衣，更是你抓住偶尔降临的绝佳机会的启动资金。 #### 4. 拒绝所谓的“最佳实践” 不要盲目追随市场上流行的各种商业模式、成功学法则或养生秘方。运用否定法，问自己一个问题：“**我目前的生活中，有哪些人、事物、习惯正在消耗我的能量，让我变得脆弱？**” 毫不留情地砍掉它们！远离那些充满负能量、总是抱怨的“有毒”人际关系；戒掉无意义的短视频成瘾；停止无效的低质量社交。 当你清除了系统中的这些“噪音”和“毒素”，你根本不需要拼命去寻找幸福，幸福和力量自然会涌现出来。 #### 5. 保持小规模，警惕规模效应诅咒 传统经济学崇拜“规模效应”，认为企业越大越好。 但《反脆弱》提醒我们，大象在跌倒时受到的伤害，远远超过一只老鼠。庞然大物虽然看起来难以撼动，但其内部结构极其复杂，任何一个微小的局部错误都可能引发多米诺骨牌式的连锁崩溃。 **对于创业者或团队管理者来说，保持组织的灵活性和敏捷性比盲目追求规模扩张重要得多**。 小公司可以随时掉头，可以迅速测试新产品，试错成本极低。极度的敏捷可以应对极度的不确定性。 #### 6. 把尊严建立在风险共担之上 永远不要做一个躲在别人背后、只享受成果不承担责任的寄生虫。 **无论是在团队合作还是家庭关系中，勇于承担你应该承担的责任和风险**。只有当你切身处地、将自己的利益甚至命运与你的事业、你的团队深度绑定时，你才能激发出潜藏在灵魂深处的生存本能和极致的创造力。 这不仅是一种生存策略，更是一种高贵的道德准则。 ## 结语 ### 与其诅咒黑暗，不如成为吞噬黑暗的巨龙  在《反脆弱》的最后，塔勒布实际上为我们描绘了一种极其狂野、充满生命张力的人生哲学。 我们生活在一个充满了黑天鹅、灰犀牛、动荡、危机和不可预测事件的世界里。 面对这一切，很多人选择了恐惧，他们像达摩克利斯之剑一样战战兢兢地苟活；另一些人选择了死扛，他们试图把自己修炼成坚硬的石头，但在长期的重压下最终也会布满裂纹。 然而，真正智慧的强者，会选择成为九头蛇怪。**他们不再畏惧混乱，不再厌恶错误，不再逃避压力**。他们将时代的动荡视为免费的陪练，将生活的不确定性当做成长的燃料。 **越混乱，越强大。** 这，就是《反脆弱》这本书留给我们这个时代最有价值的启示。 【全文完】 <section style="margin: 4rem 0 1rem 0; font-size: 16px; color: #8C7B65; letter-spacing: 2px; font-weight: bold; text-align: center;"> ✦ BETTER, EVERY DAY ✦ <p style="margin: 0 0 25px 0; font-size: 14px; color: #5A5A5A; line-height: 1.8; padding: 0 10px; text-align: justify; text-align-last: center;"> 如果你对 <strong style="color: #8C7B65; font-weight: normal;">AI 时代如何创作与学习</strong> 感兴趣 <br><br> <span style="font-size: 12px; color: #999;">请添加下方微信，一起学习交流</span> <img src="https://img.dailyup.xyz/originals/8208528100863-7089e7c9-8df0-47ea-b5ee-e4716985e549.jpg" style="width: 240px; display: block; margin: 1rem auto;"> </section>https://dailyup.blog/posts/2026-02-17_blog_37signals/https://dailyup.blog/posts/2026-02-17_blog_37signals/硅谷异类 37signals：不融资、不上市、不卷增长，他们如何活过 27 年并持续盈利？Tue, 17 Feb 2026 00:00:00 GMT # 00 ## 引言 在这个充斥着独角兽崇拜、VC 追捧和 IPO 神话的科技圈，Jason Fried 和他的公司 37signals（Basecamp、HEY 的缔造者）始终像是一个异类。 **他们不融资，坚持利润优先；他们不追求无止境的团队扩张，反而刻意保持精简；**他们甚至在云服务大行其道的今天，高调宣布“下云”，回归自建机房。 在与 Jason Fried 的这场长达两小时的深度对话中，我们得以窥见这位“非主流”创始人的内心世界。 这不仅仅是一次关于商业模式的探讨，更是一场关于如何工作、如何生活、以及如何在这个嘈杂的世界中保持“清醒”的哲学思辨。 # 01 ## 极致的“利己主义”：最好的产品是为你自己做的  在产品开发的世界里，有一个经典的争论：你应该听客户的，还是听你自己的？Jason 的答案非常干脆：**听你自己的。** “我觉得做产品的最好方式，甚至可以说是唯一方式，就是把你自已当成真正的客户。**你要做的是你自己想用的产品**。”Jason 说道。 这种哲学的根源可以追溯到他 16 岁那年。当时，为了管理自己借给朋友后经常有去无回的磁带和 CD，他用 FileMaker Pro 写了一个简单的数据库软件。为了好玩，他在软件里放了一个文本文件：“如果你喜欢这个软件，给我寄 20 美元。” 他把软件上传到了 AOL（那还是前互联网时代）。没过多久，他收到了一封来自德国的航空信，信封边缘有着经典的红蓝条纹。打开信封，里面是一张打印出来的纸条和他要求的 20 美元现钞。 “那一刻，一切都通了。”Jason 回忆道，“**为自己做东西，然后发现这个世界上其实还有很多人像你一样，想要你想要的东西。**” 这个逻辑贯穿了 37signals 的 27 年历史。Jason 认为，你就是客户，你就是受众。 在这个世界上，我们并没有那么独特，**总有成千上万的人有着和你一样的品味和需求**。如果你试图去猜测别人的需求，去满足那些和你截然不同的人，你实际上是在玩一场不仅昂贵而且极其困难的游戏。 “如果你保持低成本，保持公司小规模，你就不需要全世界都喜欢你的产品。**你只需要找到那一小群和你同频的人，这就足够了。这就是我们生意的全部逻辑**。” # 02 ## 你的竞争对手不是别人，而是你的成本  当被问及如何看待激烈的市场竞争时，Jason 抛出了一个令人耳目一新的观点：**“你真正的竞争对手只有你的成本。”** 商业的本质其实很简单：**赚的比花的多**。只要你做到了这一点，你就留在了牌桌上。 “我控制不了竞争对手做什么，他们要降价、要发新功能、要疯狂营销，那是他们的事。但我能控制我的成本。只要我赚的比花的多，我就能继续做我喜欢的事。” Jason 对历史上那些伟大的企业家有着深刻的观察，从沃尔玛的 Sam Walton 到早期的 Steve Jobs，再到洛克菲勒，这些人无一例外都对成本有着近乎偏执的控制。 他提到了微软早期的故事。作为可能是历史上最成功的软件公司，微软在达到 100 万美元销售额时，前 30 名员工的构成令人震惊：Bill Gates、一位秘书，以及 28 名程序员。 **没有中间管理层，没有销售副总裁，没有冗余的“脂肪”，只有核心的“肌肉”。** 这正是 37signals 追求的状态。公司目前只有 60 多人，曾经最高达到过 80 人左右，但 Jason 觉得那是错误的扩张，于是他们又缩减了回来。 “我认为小团队更好。人越少，误解越少。大公司的问题往往不是沟通不足，而是‘误沟通’。 **层级越多，信息在传递过程中的损耗就越严重**，就像玩电话传话游戏一样。” 在 37signals，任何新功能的开发通常只由两个人完成：一个程序员，一个设计师。 这种限制不仅提高了效率，更是一种强制性的约束，它迫使你只做那些两个人能做出来的东西，从而保证了产品的简洁和聚焦。 # 03 ## 拒绝“曲棍球棒”曲线：像火箭一样进入轨道  在创投圈，大家最喜欢看的是“曲棍球棒”式的增长曲线：前期平缓，然后突然爆发式垂直增长。但 Jason 对此毫无兴趣。 他更喜欢另一个隐喻：**火箭入轨。** “你需要巨大的能量起飞，摆脱地心引力，这确实需要爆发力。**但一旦你进入了轨道，你的目标就不再是继续加速冲向宇宙深处，而是保持在轨道上运行**。” 在轨道上，你可以关掉引擎，享受风景，只需微小的调整就能维持高度。这是一个舒适、可持续的状态。你不再与物理定律对抗，而是在顺应它。 然而，绝大多数公司在进入轨道后，因为贪婪或对增长的盲目崇拜，选择继续疯狂加速，结果往往是耗尽燃料，或者偏离轨道坠毁。 在对话中，主持人提到 Jason 经常挂在嘴边的一句话是：“So what?”（那又怎样？） 主持人问：“你们肯定在桌上留下了很多钱没赚。比如你们不怎么做 A/B 测试，定价策略也很少调整。如果有更优化的方案，你们可能会多赚几百万。” Jason 的回答正是经典的 **“So what?”** “哪怕真的多赚了 500 万，那又怎样？我们现在的生意利润丰厚，团队开心，客户满意，产品质量过硬。为了多赚那一点钱，我们要引入复杂的流程，要变得焦虑，要破坏现在的平衡，值得吗？” 这是一种极其强大的反内卷心态。Jason 对“优化”有着天然的排斥。 他认为，除非是为了让产品更好用，否则为了财务数字的优化是极其无聊的。“把 500 万变成 510 万？这太无聊了。我宁愿把时间花在打磨产品细节上。” # 04 ## 企业架构论：薄信封与厚信纸  Jason 提出了一个非常形象的比喻来描述他对公司架构的看法：**信封与信纸**。 商业有两个部分： 1. **信封（Envelope）：** 公司的外壳、行政结构、法务实体、品牌包装、估值、融资故事。 2. **信纸（Letter）：** 里面的内容，也就是你的产品，你真正交付给客户的价值。 “我是一个‘信纸’派的人。我只在乎产品。商业结构（信封）只是为了承载产品而存在的，它应该越薄越好，越不显眼越好。” 然而，现在的创业圈充斥着“信封党”。 人们热衷于谈论公司的估值、融资轮次、上市计划、品牌愿景，却鲜有人真正关心产品本身做得怎么样。这就像是你收到了一封包装精美、材质昂贵的信，打开一看，里面却是一张白纸。 Jason 认为这是一种“扮演企业家”的游戏。很多人只是在搭建一个空壳，试图把它作为一个金融产品卖掉，而不是在做实事。 “我希望我的公司是一个极薄的信封，里面装着厚厚的、内容详实的信纸。我不希望我的生意变成一个沉重的、难以掉头的庞然大物。” 这个比喻也解释了为什么 Jason 不喜欢“CEO”这个头衔。他更愿意把自己看作是一个设计师或产品人。对他来说，CEO 往往意味着管理那个“信封”，而他想做的是书写那张“信纸”。 # 05 ## 像松鼠一样规划：拒绝长期主义的陷阱  “你们公司未来 3 年的规划是什么？” 如果你问 Jason 这个问题，他会告诉你：**没有规划。** Jason 自称是“得过且过”的人。 他认为，在瞬息万变的科技行业，制定 3 年甚至 5 年的详细规划是荒谬的。你连下周五会发生什么都不知道，怎么可能预知 3 年后的世界？ 他用了一个非常生动甚至有点滑稽的比喻：**松鼠。** “你看过松鼠过马路吗？它们不会规划一条直线。它们跑几步，停下来，左看看，右看看，再跑几步，突然转向。它们是在实时反应。” 虽然这种之字形的跑法看起来没有效率，甚至有时候会让松鼠丧命（如果反应不够快的话），但在充满不确定性的环境（车流）中，这其实是一种生存策略。 37signals 的工作周期是 6 周。他们只规划接下来 6 周要做什么。**6 周是一个足够长的时间来完成一件有意义的工作，又足够短以至于即便犯错也不会伤筋动骨**。 “六周就是我们的视野极限。就像松鼠只能看到前面几米。我们定一个大致的方向，然后走几步，抬头看看，再决定下一步怎么走。 这种不断的‘修正航向’比一开始设定一个完美的直线航线要靠谱得多，因为在这个世界里，直线航线通常会让你撞上冰山。” # 06 ## 中间管理层的消失与“老板”的直觉  37signals 没有中间管理层。公司由 Jason 和 David（CTO）直接管理，底下就是干活的设计师和程序员。 他们曾经尝试过引入工程经理、COO 等角色，但结果都很糟糕。“引入中间层后，我和 David 听到的不再是真实的声音，而是被过滤、被修饰过的‘电话传话’。这不仅效率低下，而且让人感觉糟糕，因为那些经理们其实也在做他们并不真正想做的虚务。” Jason 推崇的是 **“管理者为一”（Manager of One）** 的理念，即每个员工都应该是自己的管理者，自己安排时间，自己对结果负责。 为了保持这种扁平化带来的敏锐度，Jason 和 David 甚至会定期去轮岗做客服。 这让人想起了 UPS 的创始人 Jim Casey 的故事。 据说 Jim Casey 在公司做大后，为了避免被高管们的阿谀奉承包围，他会让司机开着车在街上转，看到一辆棕色的 UPS 卡车就停下来，直接跳上去和送货员聊天。他知道，只有在一线，才能听到真话。 Jason 现在依然会在书里、在注册邮件里放上自己的个人邮箱，并且亲自回复客户邮件。“我昨天回复了 200 封客户邮件。有人说 CEO 做这个是浪费时间，但我认为这是最有价值的时间投资。我要感受客户的痛点，感受他们的语言，这比看任何数据报表都来得真实。” 这也引出了他对 **“直觉”** 的依赖。 在数据驱动的时代，依靠直觉似乎显得不科学。但 Jason 认为，数据只能告诉你过去发生了什么，无法告诉你未来该做什么。 “如果你事事都要 A/B 测试，都要看数据，那你其实是在把决策权外包给数据。**你作为创始人的价值在哪里？你的品味在哪里？**” Jason 相信，只要你把自己当成客户，你的直觉通常就是准的。当然，直觉也会出错，但与其花几个月去调研论证，不如花几周做出来投入市场看看反应。 错了就改，这比永远在分析要快得多。 # 07 ## 关于“足够”的艺术：那家卖完面包就关门的三明治店  在访谈的最后，Jason 讲了一个充满诗意的小故事。 在他以前住的芝加哥街区，有一家意大利三明治店。这家店没有固定的营业时间。老板每天进一袋面粉，做成面包，卖三明治。当面包卖完了，他就关门，哪怕那是下午 2 点半。 “他本可以多进几袋面粉，雇更多的人，延长营业时间，甚至开分店。但他没有。因为这就**够了**。” Jason 对这种“知止”的态度充满了敬意。 在这家小店里，**商业不再是一个吞噬一切的怪兽，而是一种维持生活、提供价值的手段**。老板定义了生意的边界，而不是让生意定义了他的人生。 这正是 Jason 对 37signals 的期望。他不想做大做强，不想统治世界，他只想做一个“Concept 2 划船机”那样的公司。 Concept 2 是 Jason 最喜欢的产品之一。这台划船机几十年如一日，造型几乎没变过，坚固耐用，甚至还在用黑白 LCD 屏幕和干电池。“它完美地完成了它的任务，不多也不少。这简直就是完美的商业艺术品。” # 08 ## 结语  Jason Fried 的哲学在当下的商业语境中显得格格不入，但也正因如此，它显得格外珍贵。 他提醒我们，商业不仅仅是关于增长、规模和退出，更是关于**创造、自主和生活**。 你可以选择不融资，你可以选择不上市，你可以选择不卷。你可以像那家三明治店一样，定义自己的“足够”。你可以像松鼠一样，灵活地穿梭在车流中，而不是试图造一辆更大的车。 在这个人人都在谈论如何改变世界的时代，Jason Fried 只是想安静地做几个好用的软件，顺便赚点钱，过好自己的日子。 而这，或许才是最难得的清醒。 【全文完】  资源来源：[My Conversation with Jason Fried, co-founder of 37signals](https://www.youtube.com/watch?v=BdDCtMA1gSw "My Conversation with Jason Fried, co-founder of 37signals") https://dailyup.blog/posts/2026-02-02_blog_preparing-to-start-a-class-about-skills/https://dailyup.blog/posts/2026-02-02_blog_preparing-to-start-a-class-about-skills/我准备开一门 Agent Skills 的在线实战课程，年前开课！Wed, 04 Feb 2026 00:00:00 GMT  # 01 ## 2026，从 Prompt 到 Skills 新的一年，每个人都有一些新的学习计划。 2026 年，如果只推荐一项必学的 AI 技能，我会毫不犹豫地首推 **Agent Skills**（智能体技能）。 早在去年 10 月，Anthropic 推出 Agent Skills 时，我就感觉到这不是一次简单的功能更新，而是迎来一种全新的 AI 应用方式。 几个月的实践与探索下来，这种感觉愈发强烈：**Skills 在未来的生命力，可能会远远超过我们熟知的各种“提示词技巧”。** 到目前为止，我们熟知的一些工具：Codex、Gemini CLI、Opencode 都已将 Skills 纳入核心工作流；国内的 Coze、Trae 也紧随其后，陆续开放对 Skills 的支持。 甚至有人通过逆向工程发现，强大的 ChatGPT 背后，早已默默运行着大量的 Skills 来支撑其高级功能。 去年 12 月，Agent Skills 正式成为开放标准。 这意味着，它不再是某个大厂的独门绝技，而是我们每个人都可以掌握、可以构建的通用能力。 我也赶在过年前，准备**开设一门 Agent Skills 的在线实战课程**。 这篇文章，既是一篇关于 Skills 的科普文，也算是这门课程的招生宣传文。 # 02 ## 什么是 Agent Skills？  如果把 AI 比作一个刚入职的实习生，那么： - **Prompt（提示词）** 是你对他说的“一句话指令”。比如：“帮我写个日报”。 - **Skills（技能）** 则是你塞给他的一本“**标准化操作手册（SOP）+ 工具箱**”。 `Skills`，直译过来就是技能，你可以将其理解为 **结构化的知识与工作流组合包**。 ### 1. Skills 目录结构 从底层的技术实现来看，Skill 并没有什么黑科技，它**本质上就是一个文件夹**。但这个文件夹里，装着 AI 的“大脑回路”和“手脚”。 一个标准的 Skill 文件夹通常包含以下核心要素： 1. **SKILL.md（大脑）**： 这是 Skill 的核心配置文件。它包含了元数据和详细的操作指南。它告诉 AI：“我是谁？我能干什么？在什么情况下你应该调用我？调用我的时候需要注意什么？” 2. **脚本 Scripts（手脚）**： 这是 Python、JavaScript 或其他语言编写的可执行代码。Prompt 只能生成文本，但脚本可以下载文件、处理 Excel、调用 API、生成图表。这是 AI 能够“干活”的关键。 3. **资产 Assets（物料）**： 这里存放着各种模板、图片素材、文档规范等。比如你让 AI 写文章，这里可以放你们公司的“排版规范文档”；你让 AI 做图，这里可以放“品牌 Logo”。 下面是一个典型的 Skills 的目录结构： ```bash your-skill-name ├── SKILL.md # 必选 ├── assets # 可选 │ ├── illustrator-ref.jpg │ └── report-template.md ├── references # 可选 │ └── api-guide.md └── scripts # 可选 └── process_data.py ``` ### 2. 为什么 Prompt 不够用了？ 你可能会问：“我用 Prompt 也能让 AI 干活啊，为什么要搞这么复杂？” **区别在于粒度和确定性**。 **Prompt 是线性的、一次性的交互**。你每次都要把背景信息、要求、格式作为上下文重新发给 AI。 一旦任务稍微复杂一点，比如“先去网上搜集信息，整理成表格，然后画个图，最后发邮件”，Prompt 往往会顾此失彼，或者因为上下文太长而产生幻觉。 而 `Skills` 的粒度更大。**它不是一段简单的文字说明，它是一套完全特定任务的分步工作流程**。 要完成这套流程，AI 可能会： - 自动调取特定的 Prompt。 - 访问你本地的某个文件。 - 调用外部的检索 API。 - 执行一段 Python 代码来重命名文件。 **Prompt 是让 AI 想，Skills 是让 AI 做。** # 03 ## 一个真实的 Skills 工作流案例  为了让大家更直观地理解 Skills 的威力，我们来看一个课程中会详细拆解的真实案例。 **场景需求**： 你需要运营一个公众号，每天的任务是：找一个国外的优质 `Youtube` 英文视频，把它转化成一篇深度的中文解读文章，并且配好图。 ### 1. 传统模式（Prompt 流程） 如果你只用 AI 对话框，你的操作流程是这样的： 1. 自己想办法用第三方工具下载字幕。 2. 把字幕复制粘贴给 AI（如果字幕太长，还要分段粘贴）。 3. 写一段 Prompt 让 AI 翻译并总结。 4. 再写一段 Prompt 让 AI 改写成文章风格。 5. 再写一段 Prompt 让 AI 生成配图提示词。 6. 把提示词复制到 Nanobanana Pro 去生成图片。 7. 下载图片，复制文章，去排版。 这一套下来，至少需要一个小时，而且中间任何一步都需要你人工干预。 ### 2. 新模式（Skills 流程） 在我们的课程中，会通过构建一套 Skills 来解决这个问题。 这套流程被拆解为几个独立的 Skill，就像流水线上的机械臂： 1. **Skill A: `srt-dl`（字幕搬运工）** - **功能**：你给它一个 URL，它自动调用 Python 脚本下载视频字幕文件到本地。 2. **Skill B: `transcript-to-draft`（初稿整理师）** - **功能**：读取本地字幕文件，根据预设的结构化 Prompt，将其转化为文章初稿。 3. **Skill C: `draft-to-article`（文章润色师）** - **功能**：读取初稿，根据你提供的“写作风格指南”，对文章进行润色、格式化处理。 4. **Skill D: `article-illustrator-generator`（插画设计师）** - **功能**：分析文章内容，自动提取关键画面描述，调用绘图模型生成配图。 最后，我们拥有一个总指挥技能：它负责把上面四个 Skill 串联起来。 现在，你的工作流变成了： **给 AI 发一个 YouTube 链接 → 等待 5 分钟 → 收到一篇带配图的完整中文文章。** 更酷的是，这些 `Skills` 也是模块化的。 某天你自己写了一篇文章，想配个图，你不需要走全套流程，只需要单独调用 `article-illustrator-generator` 这个技能，它立刻就能为这篇文章生成配图。 这就是 Skills 的魅力：**模块化、自动化、可复用。** # 04 ## 渐进式披露优势  在 AI 的使用中，有一个让所有开发者和重度用户头疼的问题：**上下文窗口（Context Window）不够用。** 不管现在的模型号称支持多大的上下文，如果你每次对话都把几十个工具的说明全部塞进去，不仅会消耗大量的 `Token`，更致命的是会导致模型“注意力分散”。 模型就像人一样，给它的信息越多，它越容易忽略关键细节，产生“幻觉”。 **Agent Skills 巧妙地引入了“渐进式披露”设计理念。** 这就好比你去图书馆借书。图书馆有几十万本书（Skills），但你进门的时候，管理员不会把几十万本书都堆在你桌上。 Skills 的加载分为三个阶段： 1. **第一阶段：索引** 当系统启动时，它只加载所有 Skill 的 **名称** 和 **简短描述**。 - AI 此时只知道：哦，我有**下载字幕**、**文章配图**、**生成PDF**这几个技能可以用。 - *消耗 Token：极少。* 2. **第二阶段：读取手册** 当你对 AI 说：帮我处理这个视频链接。 AI 意识到需要用到“下载字幕”这个技能，它才会去加载该 Skill 对应的 `SKILL.md` 文件，阅读具体的操作指南。 - *消耗 Token：中等，仅在需要时产生。* 3. **第三阶段：调用资源** 只有当 `SKILL.md` 中明确指出需要运行某个 Python 脚本，或者参考某个具体的 PDF 文档时，系统才会去读取这些“重资产”。 - *消耗 Token：精准投放。* 这种机制极其高效。 它允许你在你的 AI 助手里挂载成百上千个 `Skill`，从写代码到查天气，从分析财报到推荐食谱，却几乎不占用初始的上下文空间。 **这真正实现了 AI 能力的“按需加载”与“无限扩展”。** # 05 ## 为什么你需要掌握 Skills？  `Skills` 并不是程序员的专属玩具，它完美解决了实际应用中的三个核心痛点： ### 1. 注入领域专业性 通用大模型（如 DeepSeek）知道如何“做数据分析”，但它不知道“你们公司”是如何做数据分析的，它不知道你们的表头定义，也不知道你们的报表格式。 通过 `Skills`，你可以把公司的**程序性知识**注入给 AI。 你可以告诉它：“在我们公司，处理数据必须先过滤掉某列为空的行。” ### 2. 驯服非确定性系统 大模型本质上是一个概率模型，它的输出是非确定性的（每次回答都不太一样）。这在闲聊时是惊喜，在工作中很容易就是灾难。 通过 `Skills` 中定义的严谨步骤，**我们可以强行约束 AI 的行为路径，让这个非确定性的系统，稳定地输出我们需要的确定性结果**。 ### 3. 赋予新能力 通过关联本地脚本，`Skills` 可以让 AI 完成它原本绝对做不到的任务。 大模型本身不能联网下载文件，不能操作你电脑上的 Excel。但 `Skills` 可以作为桥梁，连接 AI 的大脑和外部世界的 API。 **总结来说，Skills 是：低门槛（易用性） + 高天花板（可扩展性）。** 打个比方： 你刚买来的手机（Agent）可能只会打电话。 - 你给它装上“高德地图”的 `Skills`，它就能导航。 - 你给它装上“多邻国”的 `Skills`，它就能教英语。 - 你不需要自己造手机，你只需要**像搭积木一样安装 Skills**。 现在的开源社区，已经涌现了大量高质量的 `Skills`：自动剪辑视频、自动生成 PPT、全网热点抓取... 你只需要拿来用，通过叠加和组合，你的手机就不仅仅是个电话，而是你的超级管家。 --- # 06 ## 课程：手把手带你打造 AI 助手  聊了这么多理念，终于要进入正题了。 我知道很多读者看完了上面的内容，心里会想：“说明我都能看懂，但我不会写代码，怎么弄？” 这也是我开设这门 **《Agent Skills 实战构建指南》** 的初衷。 ### 1. 课程初心 在设计这门课的时候，我不断问自己一个问题：**“如果回到三个月前，我希望有一门什么样的课，能带我少走弯路？”** 回应这个问题，我希望这门课： 1. **门槛足够低**：不讲晦涩的底层原理，只讲怎么用。尽可能让所有愿意学的人，无论文科理科，都能快速上手。 2. **由浅入深**：从最简单的 `Hello World` 开始，既了解标准，又能从零开始创建自己的第一个 Skill。 3. **真实、真实、还是真实**：拒绝为了演示而演示的玩具案例。所有案例都来自真实的生产环境，会涉及到很多只有在工程实践中才会踩到的坑和积累的经验。 ### 2. 课程大纲（动态调整中） 这是目前的规划内容，但我希望课程是“活”的。 如果在上课过程中发现某个新的技术点对大家更有价值，我们会随时调整内容。 - **模块一：启蒙与标准** - Skills 标准深度解析。 - 环境搭建：让你的电脑准备好迎接 Agent。 - 实战：编写你的第一个技能 `Say Hi to Skills`。 - **模块二：拿来主义** - 精选第三方优质 Skills 介绍。 - 如何安装和使用别人的技能？ - 如何鉴别一个 Skill 的质量？ - **模块三：实战案例拆解（核心）** - **案例 A：AI 生图工作流**，逆向工程，如何提取参考图片提示词，并封装成批量 AI 配图技能。 - **案例 B：自媒体自动化**，微信公众号文章从选题到排版的全工作流最佳实践。 - **案例 C：信息源内容自动筛选**，AI 资讯精选日报自动抓取、总结与生成工作流。 - **模块四：综合挑战** - 如何借助 Skills 打造个人专属的 AI 助理。 - 如何维护和迭代你的 Skills 库。 课时安排：**保底 8 次直播课，每次课 90 分钟。** ### 3. 课程特色 > **重要提示**：严格意义上来说，如果你自己愿意花大量时间去啃官方文档、去 GitHub 翻阅开源项目、去 Twitter 搜集碎片化教程，你是完全可以通过自学掌握这些内容的。因为我也是这么学过来的。 这门课能帮到什么呢？帮你**节省时间和积累经验**。 我把你可能需要花 3 个月摸索的坑，浓缩在 8 节课里填平。所有示例都来自于我在生产环境的真实应用，这些实战细节也是文档里不会写的。 # 07 ## 课前准备与要求  很多同学担心工具和环境配置安装，这里做一点说明。 ### 1. 工具和服务 其实不用太担心，预估上课人数不会多到顾不过来，我会尽可能照顾到每一个人的环境配置。 如果有必要，我会额外加一堂课专门讲环境安装。 本次课程主要涉及的工具： - **Opencode**（对中文支持友好，工具本身开源免费） - **Trae**（国内环境友好） 锦上添花的工具和服务（课程会用到，推荐，但对于跑流程非必须）： - NotebookLM - Claude Code - Cursor - OpenRouter API ### 2. 关于 AI 模型 对于 AI 大模型选择来说，我一贯建议是：**在经济和条件允许的范围内，尽可能使用最好的模型。** **模型直接决定了你 Skills 输出质量的上限**。当然，纯从学习逻辑的角度，模型不是卡点，国产大模型现在也非常优秀，完全可以跑通流程。 在课程中，我尽可能会多演示不同大模型的输出效果，这样大家有一个直观的感受，对大家去做选择也有一些帮助。 下面是在课程中会演示到的一些大模型： - Anthropic 的 Opus / Sonnet 4.5 - OpenAI 的 GPT 5.2 - Google 的 Gemini 3 Pro 和 Nanobanan Pro - DeepSeek 3.2 / Kimi 2.5 / GLM 4.7 / Minimax 2.1 > **注**：原则上，你需要具备基础的解决问题的能力，比如注册账号、下载软件等。遇到问题我会给建议，但无法代劳。 # 08 ## 费用及报名 - **价格**：**299 元 / 8 次 / 人**，一次课只需要一杯咖啡钱。 - **形式**：直播上课 + 录屏回放 + 社群讨论。 - **福利**：报名即邀请免费加入我的 **AI 学习社群**（社群平时单独门槛费为 99 元）。 **开课时间** - 先入群，群内通知，年前开课 **双重福利：** - 如果你在 2025 年已经付费（99元）加入了我的 AI 学习社群，**本课程免费获取**。 - 如果你购买了本课程，则自动获得社群会员资格。 **退费承诺：** - **开课一次后，如果你觉得“听不懂”、“没价值”或者“不喜欢我的讲解”，无理由全额退费！** - 开课两次后，恕不退款，望理解！ 哪怕你在看到这篇文章时，课程已经开始甚至结束了，依然可以直接购买。录屏回放和资料包一样不少，社群大门依然为你敞开。 # 09 ## 结语  技术发展的速度快得让人眩晕。 以前我们说**种一棵树最好的时间是十年前，其次是现在**。 在 AI 时代，这句话变成了：**掌握一项技能最好的时间是它刚成为标准的时候。** Agent Skills 刚刚起步，现在正是入局的最佳窗口期。希望我们能一起，做第一批“吃螃蟹”并被螃蟹滋养的人。 我们课上见。 https://dailyup.blog/posts/2025-12-19_blog_educational-practice-thinking/https://dailyup.blog/posts/2025-12-19_blog_educational-practice-thinking/聊一聊关于育儿的一点实践和个人偏见，贵在真实Fri, 19 Dec 2025 00:00:00 GMT  **人到中年，就爱复盘。** 这不快到年底了，有好些复盘工作要做，一件一件来，这次就先来捊一捊自己在带娃方面的一些看法和实践。 这次我想抛开那些高大上的教育理论和方法，纯粹作为一位有两个孩子的父亲，在 2025 年末，聊聊自己的一点主观个人偏见和实践。 贵在聊的都是真实的！ > **友善提醒：** 教育本身是一件特别复杂的事情，一定要带着自己的独立思考来看待任何的所谓经验！不要用简单的对错来判断，也尽量别做无脑的拿来主义者。 > > 况且我家孩子和大多孩子一样，就是一个普通家庭的普通孩子。 # 01 ## 对体育运动的看法  如果让我把孩子的各项素质排个序，我会毫不犹豫地将体育运动放在与学习成绩同等重要的位置。甚至在某些成长的关键节点上，体育运动的优先级更高。 我一直认为，**体育本身就是一种极佳的教育**。所以从一开始就抱有一个态度，希望能够引导和帮助自己的孩子去大周期坚持一项运动，最后成为他（她）的一项运动爱好。 通过书本，我们很难教给孩子什么是竞争，什么是坚持，什么是拼尽全力却依然失败，什么是通过坚持换来的成长和成就感。 但对体育运动来说，无论是在泳池里，还是在跑道上，这些是每天都在发生的真实情况。 **体育运动的自然过程，必然包含竞争、伤痛、极度的疲惫、无数次想要放弃的瞬间，以及咬牙坚持后的重生。** 这种通过运动换来的精神力量，是很难通过口头说教传递的，也很难在四平八稳的学校课堂里学到。 运动对身体健康当然有益，更重要的是，**通过长周期的运动锻炼，构建起他们内心坚韧的那一部分**。 我们家两个孩子（一个 10 岁，一个 5 岁），两个孩子现在都在游泳，书姐是从幼儿园大班开始游泳的，一周五游，每次 90 分钟，到现在有 5 年多了；大圣今天暑假才开始学游泳，也是一周五游，每次 60 分钟，还有两次篮球，每次 90 分钟。 和朋友聊到这一块，逃不脱这三个问题： - 花这么多时间去游，是要走专业吗？ - 花这么多时间，学习怎么办？不会影响学习吗？ - 你们是怎么坚持下来的？ ### 1. 花这么多时间，影响学习吗  我把前两个问题归为一类，在大多数人来看，这是一个投入产出比的问题，既然花这么多时间，应该是要走专业吧？如果不走专业，又花这么多时间，学习怎么办？划不来。 从一开始，我就把体育运动和学习看得同样重要，是一个大周期的问题，**无论是体育运动还是学习，只要认真去对待，专注和尽力就行，成绩只是反应你学习和训练的一个结果**。 实际上，我也看重成绩，但背后的原因更重要。 如果成绩好，代表学习或训练有效；如果成绩不好，原因可能很多样，可能是方法问题，可能是态度问题，也可能就是理解上的问题，一起找原因，去调整就行。 相信这样去做，成绩不会太差的。 关于时间这一块，毕竟每个孩子能有的时间只有那么多，为了坚持游泳，还要保证基本的学习，做了下面两点调整： - 基本上没报什么其它兴趣班（有一个一周一次的英语课，朋友在教） - 下午学校的延时课，只上了一节，回家早点吃饭，再做点作业 周一到周五的时间确实有点紧张，周末还是比较轻松。目前为止，书姐的学习成绩还行，游泳也坚持得不错！ > 无论是学习还是体育运动，哪怕是要做到同班上的 Top 5，都不是那么容易的，所以千万别以这种结果为目标！**大周期坚持就行，进展可能快点，也可能慢点**。 ### 2. 怎么坚持下来的？  好些朋友会说：“一周练五天，孩子不累吗？不觉得枯燥吗？你家孩子真有天赋呀”。 回答其实没太多意外：**一定会累，而且中间也会有觉得枯燥、甚至各种耍花样想放弃的时候。另外，哪有那么多天赋。** > 我相信每个孩子都有属于自己的“天赋”那一块，那是他们真正感兴趣的方向或领域，可能需要一生去追寻，但与我这里所说的天赋并不是一回事。 我一直不太认同所谓的“快乐教育”和“挫折教育”，**正常的成长过程，一定会有快乐，也一定会有挫折**。 无论是运动还是学习，甚至包括我们成年人的工作，一旦拉长到以年为单位的周期，就一定会有枯燥的部分。**在没有达到正反馈的瓶颈期，那种想要逃避的心理是人性的本能**。 我们家孩子也一样。有一段时间，每天快到游泳的时候，书姐就会找各种理由，今天腿疼，明天头晕，或者纯粹就是不想动，不想游。这个时候，其实是对家长最大的考验。 我个人的性格相对温和，明知他们在找借口，有时也会心软。但孩子妈妈在这方面原则性很强，事实证明，坚持下来妈妈的功劳更多一些。对于小学阶段的孩子，单纯指望他们依靠“自律”去克服枯燥是不现实的。 **坚持，在很多时候，尤其小学阶段，其实是考验父母的定力，而不是孩子的意志力。** **我们要做的，是陪他们跨过那个枯燥的临界点**。只有渡过了这个阶段，当孩子发现自己游得比以前快了，比身边的人坚持得更久了，长期投入带来的**正向反馈**才会出现。 这种反馈不是来自父母夸一句“你真棒”，而是他们内心真实的声音：“这是我流汗换来的，我比别人游泳好，是因为我坚持了。” 这才是真正的正向循环。 # 02 ## 选兴趣班的反常识逻辑  > 虽然有些逻辑是相通的，但我这里说的兴趣班更多还是偏体育运动类。不是指语数外之类的学科培训班。 关于给孩子选什么运动，报什么兴趣班，市面上流行一个原则：“看孩子的兴趣。” 这听起来无比正确，但我对此持保留意见。 不要把孩子的好奇心和兴趣，甚至和天赋，混淆了。 **很多家长眼中的兴趣，大多只是好奇心，而几乎所有的孩子对大多事物，都充满着好奇心。** 带他们去画画，他们会觉得有各种彩笔可以涂画，很开心；带他们去打球，他们觉得大家一起蹦跳，挺好玩。况且大部分培训班在刚开始接触时，也都会包装得很有趣。 如果我们仅仅因为孩子试了几节课表现出兴奋，就认为这是他的天命所归，那未免太表面了。 我眼中的兴趣，**不是初见时的欢喜，而是长期坚持后带来的成就感**。只有当他经历过枯燥的练习，依然愿意投入其中，那才叫兴趣。 > 当然，如果孩子连初见的欢喜都没有，甚至能感觉到孩子确实一点没感觉（比如，每次都坚决不去，或者一去就要哭），那就换另一种运动吧。 ### 1. 父母的偏见无法避免  在选择培训班时，可以听孩子的想法，观察他的行为，但最终做决定的一定是家长，很多时候仍然会带有强烈的家长个人倾向。 一方面，**我们每个人都很难完全跳出原生家庭和个人认知的局限去做选择**。另一方面，**所有的选择也都有成本和代价，很多时候需要家长根据家庭的实际情况来进行筛选**。 比如在运动项目的选择上，如果朋友问我，一般会建议他们考虑下面这几点。 **天赋优先：** 如果孩子在某项运动上确实展现出惊人的天赋，那毫无疑问，尽全力支持他。但千万别把一时的兴趣，甚至好奇当天赋。 **近是王道**：如果要长期坚持一项运动，要把坚持的客观因素尽可能降低，比如，客观因素里一项非常重要的因素是距离，如果你每天要去参加一项体育运动，但离家太远，你得多估摸一下，家长能坚持不？ **关于费用**：这一点也非常重要，长期坚持，代表着长期投入，如果费用过高，长期坚持很容易带来客观上的家庭负担。 拿书姐游泳为例。当初选运动，事先咨询了懂行的朋友，五六岁的话，游泳是不错的一项体育运动；但更关键的，成都最好的游泳青训中心离家很近，交通成本足够低。 **对于一个需要长达数年坚持的事情，外部阻碍越小，坚持下来的概率越大。** 至于长训，也有一点运气因素，书姐当时学游泳时，因为疫情，那一年学游泳的孩子少了很多，从淘汰几率上来说低了许多，误打误撞进了长训班，而长训班的费用其实很低，这也是能够坚持下去的一个重要因素。 ### 2. 尝试一点小众运动的酷  除了主流运动，如果可能，我还是想鼓励孩子去尝试一些非大众的、比较酷的项目，比如滑板、攀岩、跑酷等。 **小众，它能给孩子建立一种独特的自我认知，觉得自己在做一件很酷的事。** 虽然我们家目前以游泳为主，但我一直保留着带他们探索这些领域的可能性，偶尔带他们去户外骑行，有时会去徒步。 对了，和书姐也商量好了，明年带她去玩小铁人。 # 03 ## 学习三板斧  聊完运动，回归到让所有家长最头疼的学习。 我一直有一个偏见：**教育是一门复杂的艺术，但学习是一项科学的技术。** 学习本身，是有经过验证的科学方法论支撑的。遗憾的是，很多人宁愿相信各种取巧的捷径，也不愿意沉下心来研究一下脑科学和认知科学中最基础的学习原理。 > 关于有哪些经验证有效的科学学习理论，以及如何运用到真实的学习当中，我后续也会专门写一篇文章来介绍！ 针对小学阶段，我不认为需要多么高深的策略，只要把最朴素的三板斧做好，成绩一定不会差： 1. **提前预习：** 带着问题去上课，效率翻倍。 2. **课上专注：** 听课质量决定了作业速度。 3. **课后复习：** 先复习，再做作业，最后巩固。 这听起来是老生常谈，但真正能做到的少之又少。 现在的环境下，特别是双减之后，学校对学生的日常要求客观上变低了。不公布成绩，作业减少，对于低年级家长来说，这就像在开盲盒。 但现实是：**学校的日常要求降低了，但中考和高考的选拔标准并没有降低，甚至竞争更加激烈了。** 这种剪刀差，就是当下家长焦虑的根源。 我自己的解法是，尝试一些对冲的应对策略，而不只是去卷成绩。 # 04 ## 教育的对冲哲学  在当下的教育体制下，学校教育有其固有的属性和局限性，如果你希望孩子多一些独立思考，多一些批判性思维的锻炼，作为家长，就需要去做一些工作。 对冲，正是我认为家长可以去尝试的一种方式，这也是我作为父亲在教育中最大的一点私心。 ### 1. 对权威的袪魅 大部分孩子对老师是有一种天然的怕和绝对的服从，这不是某个老师造成的，这是当前教育的整体环境所带来的。 在小学阶段，孩子很容易认为：**老师说的一定是对的。** 我会抓住一切机会，比如说，我有时会和孩子一起去讨论某个问题，在过程中，孩子会发现有时候她比我的思路更好，我也会趁机告诉她：爸爸妈妈也会犯错，是人就会犯错，老师有时候也会犯错。 当然，这不是为了让孩子去故意挑战老师，是为了打破盲从。当孩子的想法与老师冲突时，我会引导他： “首先反思一下是不是自己知识点搞错了？因为老师毕竟是老师，大概率他是对的，如果确认自己是对的，可以礼貌地去和老师探讨。” **打破权威的唯一性，是独立思考的第一步。** ### 2. 批判性思维 **学校教育侧重于知识的灌输和标准答案的求解，而家庭教育要负责培养灰度认知**。 有一次，女儿在车上跟我聊到日本，她气呼呼地说：“日本人都很坏。” 我不知道她是从哪里接收到的信息，可能是同学的闲聊，也可能是某些短视频。但我意识到，这是一个进行认知对冲的时刻。 我没有直接批评她，而是问她：“为什么你觉得都是坏的？” 听完她的理由后，我告诉她：“不管哪个国家，绝大部分普通人都是友善的。有好人，就一定有坏人。这个世界不是非黑即白的。” 如果有机会，你可以自己去看看，感受一下。 这样的对冲，我希望在她小小的心里埋下一颗种子：**不要着急下结论。** 这其实就是我们常说的批判性思维。在信息爆炸的时代，哪怕一个观点最后被验证是对的，我也希望那是孩子经过思考后的判断，而不是人云亦云的跟风。 **这种教育，学校很难面面俱到，只能靠家长在日常的琐碎对话中去完成对冲。** # 05 ## 再聊运动与学习  最后，我想再聊回运动，因为运动和学习有着本质的区别，却又能奇妙地互补。 学习在很多时候是主观且复杂的。你考 92 分，他考 95 分，真的代表他比你学得好吗？未必。**测试手段的局限性、题目的偶然性，都让分数的意义打了折扣**。 但体育运动，特别是像游泳这样的竞速项目，是极其客观的。 你游 45 秒，他游 40 秒，在当下的那一刻，你就是游不过他。没有阅卷老师的主观偏好，没有模糊的中间地带。这种**残酷的客观性，对孩子是极好的教育**。 早一点认识到这种客观差距，孩子就会去思考原因： - 是他训练比我拼？ - 是他出勤率比我高？ - 还是他身体条件就是比我好？ 无论哪种原因，都是具体可感的。 我经常跟书姐说，严格意义上讲，你的身体条件在游泳班里非常普通的。但为什么现在你游得还不错，那是因为你的坚持，一路下来，好多同学游着游着就放弃了（大多是因为家长怕耽误学习），而且有好一些都是游泳条件比你好的同学。 你的成绩，是你自己用无数个来回的划水换来的。 **这种从运动中获得的认知，努力和坚持能改变客观结果，是可以迁移到其它事情上的，包括学习**。 当孩子在日常的学业学习过程中遇到困难时，或感到枯燥时，那种在泳池里再坚持 50 米的肌肉记忆，会转化为心智力量去支撑她。 # 06 ## 写在最后  **教育是一件极其复杂的事情，面对的是一个个鲜活、多变的人。** 哪怕我们读了很多书，看了很多文章（比如你正在看的这篇），在面对自己孩子的时候，依然是新手上路。 特别是第一个孩子，我们都是第一次当父母，孩子也是第一次当孩子，大家都在摸着石头过河。 孩子会犯错，我们也会犯错，这都很正常。 没有一套教育方法是百试不爽的，没有一招能吃遍天下。但在这不确定性之中，仍有一些底层的原则值得我们坚守： - **相信长期主义的力量**，无论是在运动场还是书桌前。 - **做教育的对冲者**，在学校教服从时，我们引导思考。 - 以及，**放平心态，多一点爱**。 我们终究希望孩子成为一个心智健全、身体强健、有独立思考能力的普通人。在这个基础上，如果能再优秀一点点，那就是命运的馈赠了。 最后节选我非常喜欢的一首诗，来自纪伯伦的《孩子》 > **你的孩子不是你的，** > **他们是「生命」的子女**， > **是生命自身的渴望。** > **他们经你而生**， > **但非出自于你，** > **他们虽然和你在一起，** > **却不属于你。** > **你可以给他们爱，** > **但別把你的思想也给他们，** > **因为他们有自己的思想。** 送给大家，共勉！https://dailyup.blog/posts/2025-12-19_blog_re-understanding-the-power-of-knowledge/https://dailyup.blog/posts/2025-12-19_blog_re-understanding-the-power-of-knowledge/重新理解“知识就是力量” | 寻找那些让你感觉震撼的 Powerful 瞬间Fri, 19 Dec 2025 00:00:00 GMT 从小到大，有一句话我们听得耳朵都要起茧子了：**“知识就是力量”**。 这句弗朗西斯·培根的名言，被印在教科书的扉页上，刷在学校走廊的墙壁上，挂在老师和家长的嘴边。 他们告诉我们：你要好好读书，因为知识就是力量；你要考上好大学，因为知识能改变命运。 但在很长一段时间里，作为一名普通的学生，甚至后来步入职场，我**并没有真正从体感上感受到这句话**。 对于大多数人而言，知识往往意味着枯燥的公式、背不完的单词和复杂的语法；而所谓的力量，则变成了一个遥远的、功利性的承诺，它意味着未来的某一天，你能找到一份体面的工作，拿到一份不错的薪水，或者获得某种社会地位。 **那种力量是延迟满足的，是冰冷的，甚至是模糊的。** 说句玩笑话，我只有两次切身感受到知识的重量，一次是公司换地方，一次是搬家。当我面对着十几个装满书籍沉甸甸的塑料箱，再气喘吁吁地把它们搬上搬下时，我才真正感慨：“嗯，**知识确实是力量，物理意义上的力量**。” 然而，几年前在阅读经典著作《因计算机而强大》（英文名：Mindstorms）时，我对这句老生常谈的话，产生了一种全新的、甚至可以说是颠覆性的认知。 原来，我们可能一直都误读了力量的真正含义。 这里的关键，不在于知识，而在于那个英文单词：**Powerful** 。 今天，我想和大家聊聊这种全新的理解：**与其追求结果的有用，不如去感受学习过程中那些让你感受到的 Powerful 瞬间。** # 01 ## 重新定义 Powerful  为什么我们以前感受不到知识的力量？ 在传统的教育语境下，知识被当成了敲门砖。**当你把知识仅仅当作工具时，你关注的是工具的交换价值，而不是工具本身的创造力**。 但在西摩·派珀特（Seymour Papert）的《Mindstorms》一书中，他频繁地使用 **Powerful** 这个词来形容计算机和编程对儿童思维的影响。  当我深入思考这个词时，我意识到，**Powerful** 在这里不应该被翻译成世俗意义上的强权或有力，它更接近于**赋能、震撼和冲击力**。 这也是我在写作《当数学遇上编程》这个系列文章时的亲身体验，我最近用 AI 在解决一些问题也时常有这样的感觉。 数学，在很多人的印象中是枯燥的。一堆希腊字母，一堆抽象的逻辑推导，趴在纸上，死气沉沉。但是，当你试图用编程去呈现这些数学公式时，奇迹发生了。  上面这是这张动图是我在《当数学遇上编程进阶篇》文章中的一个例子，枯燥的 `sin()` 和 `cos()` 函数瞬间变成了一条在屏幕上灵动起伏的波浪。如果你再加入时间的变量，让它随着时间轴通过算法生成动态的图形，你会看到它像呼吸一样律动，像生命一样生长。 在那一刻，数学不再是死的，它是活的。 **“编程让枯燥的数学更加鲜活，更加有力量。”** 每次自己读到这句话时，都会感受到力量。 这种力量，不是因为它能帮你考试加分，而是当你看着原本抽象的逻辑，在你的指尖下变成了具象的、可交互的、甚至具有美感的实体时的一种冲击。 就好比你一直知道火的概念，也知道它的作用。但直到有一天，你亲自在黑暗中擦亮了一根火柴，看着那簇火苗在风中跳动，感受到了它传递到指尖的温度和它驱散黑暗的光芒。 那一刻的感觉，就是 **Powerful** 。 # 02 ## 这种力量，类似体育竞技般的震撼时刻  为了更精准地描绘这种 Powerful 的感觉，我们不妨跳出学习的范畴，看看体育运动。 当我第一次在电脑屏幕看纪录片 **《徒手攀岩（Free Solo）》** 时，整个过程我手心脚心都是汗，纪录片最后的音乐响起那一段，我唯一感觉就是：全身充满了力量！”，到现在我还记得那首片尾曲的名字，《Gravity》。 那种震撼，是一种让你目瞪口呆、头皮发麻的惊叹。你看到人类的潜能被发挥到极致，看到不可能变为可能，这种景象会在你的脑海中留下不可磨灭的深刻烙印。 回到学习本身。**真正的深度学习，也有这种体育竞技般的震撼时刻。** 这种 Powerful，**就是在学习的过程中，某个知识点突然击中了你**。它可能是一个精妙绝伦的算法，可能是一个解释了宇宙运行规律的物理定律。 当那个瞬间来临时，你会感觉到大脑仿佛被电流穿过。**这种思维上的烙印，比任何死记硬背都要深刻一万倍。它会从根本上改变你的认知结构，甚至改变你观察世界的方式。** # 03 ## 寻找那些 Powerful 的场景  虽然我经常拿编程和数学举例，但这种 **Powerful** 的力量感其实广泛存在于我们的生活和学习中，只要你拥有敏锐的感知力。 在这个 AI 时代，这种感触尤为明显。 ### 1. 与 AI 共舞的惊艳时刻 最近，谷歌发布的 Nano Banana Pro 生图模型，配合同步推出的 Gemini 3 Pro，在使用过程中，发送一段我想象中的文字描述，原本我只是想测试一下它的理解能力，并没有抱太大的期望。但是，当它生成那张图像的一瞬间，我愣住了。 生成的图不仅精准地捕捉到了我文字中的意象，甚至展现出了我自己都没有想象到的细节和构图。它比我想象的更细腻，甚至带有一种逻辑的艺术感。 就像本篇文章的封面图。 那一刻，我也真切地感受到了 Powerful。 **这种力量感来自于一种预期违背，它超出了你的预期，拓展了你的想象力边界。** 突然意识到，**我正在与一个聪明的 AI 智能体协作，你的想法通过它得到了百倍的放大**。 这不正是知识（或者是通过知识构建的技术）带来的力量吗？ ### 2. 技术向善的温情力量 除了震撼，**Powerful** 还有另一种形态。 记得以前在公司时，公司一个团队开发过一个辅助程序，利用语音识别和文字转换技术，帮助聋哑人群体实现无障碍交流。 在程序中，是一行行冷冰冰的代码。 当真正把这个产品交到一位聋哑人手中，**看到他第一次能够顺畅地与普通人交流，看到他脸上那种因为被理解而绽放的笑容时，那种冲击力也是巨大的**。 在那一刻，你不需要任何教科书来告诉你知识就是力量。你会通过那个笑容，直接感知到技术是如何穿透生命的隔阂，如何修补残缺的世界。 **这是一种能够救赎的力量，一种温情的 Powerful。** # 04 ## 教育的真谛：创造 Powerful 的瞬间  既然我们重新理解了“力量”的含义，作为一名教育工作者、一位终生学习者，更重要的是作为两个孩子的父亲，我告诉自己：**我们不应该仅仅关注知识点的灌输，也不应该只盯着最后的考试分数，而是应该尽可能地去创造那些能够带来 Powerful 体验的场景。** 在西摩·派珀特的建构主义教育理论中，他一直强调**做中学**（Learning by Making）。 为什么？因为**只有在创造的过程中，在将抽象知识具象化的过程中，那个 Powerful 的瞬间才会降临**。 也不知道自己的理解对不对，但我相信，**这些可感知的瞬间，汇聚起来，才能构成我们对这个世界的热爱，对探索未知的渴望**。 回过头来，我们这一代人，很多人之所以厌学，之所以觉得知识无用，是因为我们将力量这一概念过度**延时化**和**功利化**了。 我们常告诉孩子：“你现在痛苦一点没关系，忍一忍，等你考上大学就有力量了；等你赚钱了就有力量了。” 这种结果的力量太遥远了，远到很多人在半路上就耗尽了热情。而且，这种力量往往是脆弱的，一旦外部环境改变（比如经济或行业不景气），这种力量感就会瞬间崩塌。 **但我今天所说的 Powerful，是一种过程的力量。** * 当你为了解决一个 Bug 熬夜，最后代码跑通的那一刻，那是力量。 * 当你读到一篇深有启发的文章，突然感觉到与作者完全同频时，那是力量。 * 当你利用 AI 工具，将脑海中模糊的想法变成一个解决问题的工具时，那也是力量。 **这种力量存在于每一个当下的交互中，存在于每一次思维的跃迁中。** 它不需要等到十年后兑现，它现在就能给你回馈。 这种回馈，是会让你上瘾的。 # 05 ## 结语  最后，我想分享一个小小的元认知时刻。 这篇文章的诞生，本身也是一个 Powerful 的过程。 最初，我只是脑海里有一个模糊的念头，关于知识就是力量的新想法。然后，我打开手机上的 Get 笔记（现在叫得到大脑），像聊天一样把这些碎片化的想法用语音记录下来。有意思的是，我的很多记录都是发生在接女儿放学，在校门口等待的那段时间。 AI 转文字后，在手动修改迭代，从灵感到记录，再到输出，**我打通了一条从高效思考到输出表达的路**。 这一刻，我真实体验到了知识的力量。 也希望屏幕前的你，都能感受到这样的 Powerful 时刻 ！ 【全文完】  # ## // 广告时间 我建了一个相关的**付费微信群**，这个群大概会涉及到下面一些内容： - 与 AI 相关的一手信息 - 围绕 AI 时代如何学习与创造的实践分享 - 不定时的直播分享 - 群友自由讨论交流 感兴趣的可以单独加我上面的微信，麻烦备注 “**申请入群**”，期待更多有趣、深入的讨论！ 注：为了保证社群交流的质量，设了一个门槛费用，**99 元/人/永久**！若介意，请勿扰！ 另外，符合下面条件的，可申请折扣或免费加入： 1. 在读学生，29 元/人 2. 以前参加过我在竹白发起的针对小朋友的 dailyup 每日挑战的付费朋友，可免费加入 3. 有其它正当理由，希望折扣或免费加入的朋友https://dailyup.blog/posts/2025-12-16_blog_math-meet-programming-advanced/https://dailyup.blog/posts/2025-12-16_blog_math-meet-programming-advanced/当数学遇上编程，所有的边界都打破了（进阶篇）| 重塑创造的定义Tue, 16 Dec 2025 00:00:00 GMT> 说明：本文为作者原创，第一时间会发到微信公众号：「大圣不是圣」，由于微信公众号文章发布后不方便修改，因此这里也会同步一篇，错误或修订都更新在这里。 > > 欢迎分享，若需转载请联系微信（ddupxyz），谢谢！  用此文向尊敬的 Seymour Papert（西摩.派珀特）致敬！作为一名教育家、数学家和人工智能专家，Papert 在他 30 年前的著作 [《因计算机而强大》](https://book.douban.com/subject/30418117/) 中就已经不可思议地把通过编程去学习的本质讲得非常清楚了！ # 00 ## 为什么要写进阶篇 之前写了 [《当数学遇上编程，所有的边界都打破了-修订版》](https://www.dailyup.blog/posts/math-meet-programming) 这篇文章，前后花了不少时间，当然也得到了很多朋友的认可和喜欢，原本没有计划再写一篇的。 有两个理由，让我还是继续写了。 其一，从上次的文章到现在，已经很长一段时间了，带的孩子慢慢大些了，有的进入中学，有的出国，有些没上课了，但仍在联系，还是会讨论一些与学习相关的事，讨论的话题也自然要“进阶”一点，过程中积累了不少内容，整理并分享出来，或多或少对特定的人群会有一些帮助。 其二，这个原因比重其实更大一些。前段时间有个也在做编程教育的朋友，聊到一个话题，他说不少家长在问，现在 AI 越来越强大，听说 AI 都可以写程序了，那学编程还有必要吗？直接学 AI 就行了。 怎么来回应这个问题？ 我个人是一直觉得**编程是一种锻炼思维和逻辑能力很好的手段，对学习数学和英语也有相互促进的作用，一举三得的事**，多好呀，而且学编程的目的从来都不应该是要去成为一名专业的程序员。 这里还有一个可能的问题是，很多孩子学编程和传统学数学的方式差别不大，刷题刷任务，参加竞赛去拿奖，**在学习的过程中并没有感受到编程任何有趣和美的地方**。 原本写这个系列的目的，就是希望让大家看到，**数学遇上编程，看那些原本高深枯燥的数学概念是如何变得鲜活且充满力量的**。 所以继续写一篇，也是“当数学遇上编程”系列的第二篇（进阶篇），算是回应这个问题。 ## 引言  > **“What I cannot create, I do not understand.”** > -- Richard Feynman 在传统的数学课上，我们习惯了**计算和求解**：解方程、算答案、证定理。但在编程的世界里，我们更倾向于**模拟与构造**。 无论是物理引擎背后的公式，还是绚丽动画背后的函数，亦或是算法优化背后的数论，都在告诉我们同一个道理：**数学提供描述世界的语言，编程提供探索世界的工具。** > 在本文中，会使用到的编程语言包括：Python、C++ 和 JavaScript(p5.js)，在算法的表达层面，其实不同语言差异并不大；在呈现上面，我选用了 p5.js，一个基于浏览器的适合交互设计的工具库，这也和我给一些学生上过这方面的课相关。 # 01 ## 距离与形状：打破思维定势 ### 1. 从一道简单的考题说起 最近有学生要去考 GESP（中国计算机协会主办的编程能力等级认证），练习时遇到一个编程任务：输入一个正整数（奇数）n，用编程去画出菱形图案。 例如，如果输入 n 是 5，输出的菱形图案如下： ``` ..#.. .#.#. #...# .#.#. ..#.. ``` 如果输入 n 是 7，输出的菱形图案如下： ``` ...#... ..#.#.. .#...#. #.....# .#...#. ..#.#.. ...#... ``` 这类符号图案，主要是通过观察去找规律，再通过代码根据规律去输出。 先看第一种方法，这种方法更像“画画”，图案怎么样，就怎么画。 - 上半部分：从顶点开始，左右两点每行向外扩展 1 格 - 下半部分：反过来，每多一行，向内收 1 格 设每行的左右两个 # 所在列的位置是 `l` 和 `r`，接下来步骤也有了 - 从顶点开始：`l = r = mid`，恰好在第一行的最中间 - 上半部分：`l = l - 1`，`r = r + 1` - 下半部分：`l = l + 1`，`r = r - 1` 用 Python 实现，代码如下： ```python n = int(input().strip()) mid = n // 2 l = mid r = mid for i in range(n): for j in range(n): if j == l or j == r: print('#', end='') else: print('.', end='') print() if i < mid: l = l - 1 r = r + 1 else: l = l + 1 r = r - 1 ``` 如果只是考试解题的话，已经可以通过了。 不过感觉这个任务好像和数学也没什么关系，主要和观察的规律相关。 再来看另外一个完全不同思路的方法，这个方法会涉及到使用数学中的曼哈顿距离求解。 在学校里，我们学习的通常是**欧几里得距离**（也就是两点之间的直线长度）。但在计算机和城市规划中，还有另一种常用的距离：**曼哈顿距离**。 > 注：画出上面的菱形图案，实际上有很多种方法，毕竟菱形是一个对称图案，可以从不同角度去观察并实现。 ### 2. 什么是曼哈顿距离 这个名字源于美国纽约的曼哈顿区。 曼哈顿的街道规划得非常整齐，就像一个巨大的**棋盘网格**。街道主要由横向的“街”和纵向的“道”组成，把城市切成了一个个方块。 思考一个问题。 如果你站在曼哈顿的街头，要从一个路口（A点）走到另一个路口（B点）： - 走直线，像鸟一样直接飞过去。这样距离最短，两点之间的直线距离，这在数学上叫**欧几里得距离**。 - 走折线，实际上你不能沿斜线穿过房屋而过，只能沿街道走折线过去。 走折线，也就是你只能横向或纵向（上、下、左、右）去走。 这样走的折线路程，就是曼哈顿距离。**因为它最早是因为研究像曼哈顿这种方块街区的交通距离而得名的，所以也被称为“出租车几何距离”**。 这个距离很好求，就是横向走的路程与纵向走的路程之和。  假设我们在一个平面直角坐标系中： - 你的位置是 A，坐标为 `(x1, y1)` - 终点的位置是 B，坐标为 `(x2, y2)` 横向走的距离，就是两个点的 X 坐标之差，因为我们不知道 x1 和 x2 谁大谁小，距离不能是负数，所以我们要求一个绝对值。 $$横向距离 = |x1 - x2|$$ 同样，纵向走的距离，就是两个点的 Y 坐标之差的绝对值。 $$纵向距离 = |y1 - y2|$$ 这时候，两点间的曼哈顿距离就是横向与纵向两个距离之和，用下面的数学公式表示。 $$曼哈顿距离 = |x1 - x2| + |y1 - y2|$$ ### 4. 用曼哈顿距离画菱形 如果我们换个角度来看上面的菱形图案，可以发现，构成菱形的每一个 # 符号，都满足： **每个 # 号到中心点的曼哈顿距离都相等。** 如果是 5 行 5 列，每个 # 到中心点的曼哈顿距离都是 2；如果 7 行 7 列，每个 # 到中心点的曼哈顿距离都是 3。  更通用一点，如果是 n 行 n 列（n 是奇数），下标从 0 开始计算： - 中心点的位置为` (n // 2，n // 2)`，这里用 Python 中的取整来表示 - 所有 # 号到中心点的曼哈顿距离刚好是： `n // 2` - 用绝对值函数 `abs()` 来表示距离 利用曼哈顿这个数学性质，上面菱形图案的实现代码就非常简单、优美： ```python n = int(input().strip()) mid = n // 2 for i in range(n): for j in range(n): d = abs(i - mid) + abs(j - mid) # 曼哈顿距离 if d == mid: print('#', end='') else: print('.', end='') print() ``` 在这个基础，如果上面的 `d == mid` 从等式变为不等式，图案有什么样的变化呢？ 尝试把等式改为 `d >= mid`，图案变成下面这样： ``` ##### ##.## #...# ##.## ##### ``` 把等式改为 `d <= mid`，输出的图案是下面这样： ``` ..#.. .###. ##### .###. ..#.. ``` 当孩子发现 `d <= mid` 这样一个简单的数学不等式，竟然能控制打印出一个完美的菱形时，**他们对坐标系和距离的理解一定会有一个质的提升**。 ### 5. 关于曼哈顿距离的一点思考 如果我们继续探索，无论是从编程的角度，还是数学的角度，都还可以多一些思考。 从数学的角度来看，来思考一个问题，在平面上，两点之间的欧几里得距离（直线距离）和曼哈顿距离（折线距离），哪个长哪个短？ 看下面这个示意图，是不是容易发现，**三角形的斜边就是欧几里得距离，直角边之和恰好就是曼哈顿距离**，三角形有个有性质，两边之和大于第三边，这种情况下，欧几里得距离永远是小于曼哈顿距离的。 还有一种情况，当 A 和 B 在同一行或同一列时，你不需要拐弯（折线）就可以直接到达，这时欧几里得距离和曼哈顿距离就刚好相等。 因此我们可以说，**欧几里得距离（直线）确实永远小于等于曼哈顿距离（折线）**。 在很多游戏中，角色的移动通常是按“格”来计算的，比如，如果要快速判断一个怪物是否在你的攻击范围之内，这个范围的计算往往就是用的曼哈顿距离。 为什么不直接用欧几里得距离呢？毕竟欧几里得距离更短。 这是因为曼哈顿距离的计算只是使用了加减和求绝对值，而欧几里得距离涉及到开方运算，而开方运算在计算机中的代价要高得多，相比之下，**求曼哈顿距离的运算速度非常快，所以经常被用来快速估算距离**。 这一点也恰好体现出，**数学侧重于抽象层面的精确性，而编程上的问题要更具体一些，经常会考虑到工程上的优化和取舍**。 # 02 ## 算法中的数论之美 **数学不仅仅是计算，更是寻找规律与优化的艺术**。在编程算法中，数学定理往往能将程序的效率提升成百上千倍。 ### 1. 最大公约数与最小公倍数 **1) 最大公约数与暴力求解** 求两个数的最大公约数（GCD），是小学数学的经典题目。 比如求 12 和 18 的最大公约数。 我们可以把这两个数的所有公共的约数找出来，是 1, 2, 3, 6，那最大公约数就是最大的那个公共约数：6。 如果用编程去求解呢，**学编程不久的孩子通常都会用“暴力枚举法”去做，就是一个一个去试，这种计算思想很直观，也好理解**。而枚举一般来说都会用循环去实现，也正好是编程所擅长的。 要一个一个去试，那还得确定一个要尝试的可能范围。容易发现，**两个数的公约数，不可能大于较小的那个数**。 比如，求两个整数 n 和 m 的最大公约数，写出的代码也很简单： ```python n = int(input()) # 两行分别读入 n 和 m m = int(input()) gcd = 1 # 最差情况，两个数还有一个共同的约数 1 lower = min(n, m) for i in range(1, lower + 1): if n % i == 0 and m % i == 0: gcd = i # 不断更新，最后留下的就是最大的 print(gcd) ``` 当然，编程的实现很灵活，既然是找最大的，可以倒着来，这样第一个找到的就是最大公约数，效率上更高一些。 ```python n = int(input()) m = int(input()) gcd = 1 # 最差情况，两个数还有一个共同的约数 1 lower = min(n, m) for i in range(lower, 0, -1): if n % i == 0 and m % i == 0: gcd = i # 第一个找到的就是最大公约数 break print(gcd) ``` **2) 最大公约数与欧几里得的智慧** 上面的求解很好理解，但有个问题，如果要计算的数特别大，或者要计算很多组数的最大公约数呢，效率就会就比较低，有没有更高效的计算最大公约数的方法呢？  又回到数学，在公元前 300 年，欧几里得就发现了著名的**辗转相除法**（伟大的欧几里得再次出现）： $$\gcd(a, b) = \gcd(b, a \pmod b)$$ 用文字来描述：**两个数的最大公约数，等于其中较小的那个数和两数相除余数的最大公约数**。 用这个方法手动计算 30 和 18 的最大公约数： - `30 % 18 = 12` - `18 % 12 = 6` - `12 % 6 = 0` **当余数为 0 时，停止计算**，因此 30 和 18 的最大公约数就是 6。 这个古老的数学智慧，恰好完美的对应了编程当中的递归算法。 写成 Python 代码极其优雅，同时也体现了**递归之美**： ```python def gcd(a, b): if b == 0: return a else: return gcd(b, a % b) n = int(input()) m = int(input()) print(gcd(n, m)) # 输出 6 ``` 代码只有短短几行，却让编程与数学跨越千年相遇，多么美好的一种融合呈现。 如果要求最小公倍数呢？同样，也可以用暴力枚举法去求解，我自己在编程课上也会鼓励学生尝试用这种方法，毕竟，**当数据量比较小时，暴力求解，是用编程去解决问题的一种最直接，最好理解的方式**。 不过在数学上，最小公倍与最大公约数，实际上有一个换算关系。 $$ lcm(a, b) = \frac{ab}{gcd(a, b)} $$ 因此，求最小公倍数再简单不过： ```python def lcm(a, b) { return (a * b) / gcd(a, b) } ``` ### 2. 再谈质数求解 在上一篇文章中，我们判断质数是一个个去试除，虽然我们当时通过缩小范围去提升了一些效率，但一个个去判断的效率还是太低了。 古希腊数学家埃拉托斯特尼（Eratosthenes）想到了一种绝妙的方法，被称为**埃氏筛法**。 **思路非常“编程”：** 1. 先把 2 到 n 的所有数扔进一个列表。 2. 找到第一个没被划掉的数（2），它是质数。然后把 2 的倍数（4, 6, 8...）全划掉（标记为合数）。 3. 找到下一个没被划掉的数（3），它是质数。把 3 的倍数（6, 9, 12...）全划掉。 4. 重复这个过程... 这就像用一个筛子，把合数筛掉，剩下的就是质数。下面是用 **C++** 实现的版本，非常高效： ```cpp #include <bits/stdc++.h> using namespace std; void sieve(int n) { // 创建一个布尔数组，初始化为 true (假设都是质数) vector<bool> is_prime(n + 1, true); is_prime[0] = is_prime[1] = false; for (int p = 2; p * p <= n; p++) { if (is_prime[p]) { // 如果 p 是质数，标记 p 的所有倍数为 false for (int i = p * p; i <= n; i += p) is_prime[i] = false; } } // 输出所有质数 for (int p = 2; p <= n; p++) if (is_prime[p]) cout << p << endl; } int main() { int n; cin >> n; sieve(n); // 找出 n 以内的质数 return 0; } ``` 如果输入 20，输出 ``` 2 3 5 7 11 13 17 19 ``` > 这里留一个问题，为什么按这样去筛，剩下的就一定全部是质数呢？ 学算法的同学应该知道，**很多算法思想实际是来自于数学**，妥妥数学家的研究成果，而且有些算法比计算机出现的还早，只是计算机出现后，**有了编程这个手段，正好可以最大化释放出这些算法的威力**。 ### 3. 用概率算 $\pi$ 圆周率 $\pi$ 怎么算？除了公式法，还有一种基于概率的“暴力美学”：**蒙特卡洛方法**。 想象一个边长为 2 的正方形，里面有一个半径为 1 的内切圆。 - 正方形面积 = 4 - 圆面积 = $\pi$ 如果你闭着眼往里扔飞镖，飞镖落在圆内的概率是 $\frac{\pi}{4}$。 只要扔的飞镖足够多，我们就能利用下面的公式反推出 $\pi$。 $$\pi \approx 4 \times \frac{\text{落在圆内的次数}}{\text{总次数}}$$ 这里使用 `p5.js` 来让这个过程动态可视化，代码如下： ```python let R = 360; let total = 0; // 总次数 let inside = 0; // 落在圆内的次数 let pointsPerFrame = 500; // 每帧撒点数量，值越大填充越快 let estPi = 0; function setup() { createCanvas(R + 220, R + 40); textFont("monospace"); background("#323252"); // 画坐标区域边框（正方形） push(); translate(20, 20); noFill(); stroke(200); rect(0, 0, R, R); // 画四分之一圆（半径 R，圆心在左下角） stroke(120); arc(0, R, 2 * R, 2 * R, -HALF_PI, 0); pop(); } function draw() { // 每帧撒 pointsPerFrame 个点 push(); translate(20, 20); noStroke(); for (let k = 0; k < pointsPerFrame; k++) { let x = random(0, R); let y = random(0, R); // 判断是否在 1/4 圆内：圆心(0, R)，半径 R let dx = x; let dy = y - R; total++; if (dx * dx + dy * dy <= R * R) { inside++; fill(60, 220, 120, 180); // 圆内点（绿） } else { fill(240, 80, 80, 160); // 圆外点（红） } rect(x, y, 1, 1); // 画点 } pop(); estPi = 4 * inside / total; // 更新估计值 drawPanel(); // 右侧信息面板 } function drawPanel() { // 为节约篇幅，此处画右侧信息面板的代码省略 } ``` 运行的动态效果：  这一刻，枯燥的常数 $\pi$ 变成了数千个随机点的宏大乐章。 # 03 ## 动画中的数学 在这个主题的前一篇文章中，大家已经看到不少动画的呈现，尤其是 Scratch 的相关示例，这部分我们专门来讨论动画这个话题，**编程的核心是逻辑，一旦再引入数学，画面就开始呼吸，有生命了**。 ### 1. 动画原理 **动画的本质，其实是一场欺骗眼睛的魔术。** 人类的眼睛并不是摄像机，无法捕捉绝对的连续画面。当一个图像在我们的视网膜上消失后，神经信号并不会立刻消失，而是会保留大约 0.1 到 0.4 秒。 这就是视觉暂留效应。 如果你在 0.1 秒内连续播放稍微移动了一点的多张图片，你的大脑就会自动把这中间的空隙“脑补”起来，认为物体在连续运动。  比如上面是拍摄的骑马的静止照片，如果连续播放这些照片，就动起来了。  网上流行的翻页书(Flipbook) 也是同样的原理。  每秒钟播放的画面越多，动画就越平滑。 - 普通电影：每秒 24 张图片（24 FPS） - 游戏：通常每秒 60 张图片（60 FPS） ### 2. P5.js 简介  这里了为了通过编程去展示动画，选用了 p5.js 这个框架，主要是因为 **p5.js 是基于浏览器设计的**，而且官方提供了在线编辑器，打开就可以写代码，而且马上就可以看到效果，不需要任何额外的安装操作，而且分享展示也很方便。 在 p5.js 中，有两个核心函数，这两个核心函数是动画制作的基础。 1. **`setup()`，准备工作都在这里。** 想象你要画画。你需要先买纸、调色、把画布架好。`setup()` 里的代码只会运行一次。 2. **`draw()`，动画的关键。** `draw()` 函数是一个无限循环，默认情况下，它每秒钟会运行 60 次，每一次运行，就相当于画了一页翻页书。因此需要做的变化（位置、颜色等）都应该放在 `draw()` 函数里。 > 由于本篇文章并不是要讲 p5.js，这里只是一个非常简单的介绍，感兴趣的可以去查阅官方文档，官方文档也有很多讲解和示例。 > > 大家可以直接通过网站：https://editor.p5js.org/ ，编写 p5.js 代码，即时可以看到运行结果。 ### 3. 三角函数的魔力 在高中数学中，提到三角函数，很多同学就会头痛，各种题目，一会儿是公式，一会是图形，一会又是数形结合。 今天我们从另一个角度来看看三角函数，让你感受一下原来它的魅力这么大。 **在数学课上，三角函数的核心是 正弦 ($\sin$) 和余弦 ($\cos$)，讨论的三角形的边长比。**  **而在动画中，它们是周期性运动的灵魂**。无论是心跳、钟摆、弹簧还是波浪，任何来回往复的运动都离不开它。 学过正弦函数与余弦函数的应该都知道这两个函数的曲线长什么样子。 随着角度的变化，正弦曲线和余弦曲线也动起来了，效果是这样的。  > 注：上面这个动画效果，本身也是在 p5.js 里完成的 有什么用呢？可大了，我们知道正弦和余弦的值是在 `(-1, 1)` 之间来回变化，而且这个变化非常平滑。 利用这个特性，将这个平滑变化的值映射到任何我们希望动画的属性上去。 - 映射到缩放，就会产生平滑的放大或缩小 - 映射到颜色，就会产生流动的色彩变换 - 映射到移动，就会产生平滑的前进或后退 下面这段代码展示了一个圆，**将正弦值映射到圆的大小（直径）**，直径的变化一下就平滑起来了，模拟出“呼吸”感。 ```javascript let angle = 0; function setup() { createCanvas(600, 600); noStroke(); } function draw() { background("#323252"); // 大小计算：利用 sin 让直径变化，模拟呼吸 // map 函数将 sin 的 -1~1 映射到 50~100 的直径范围 let d = map(sin(angle * 1.5), -1, 1, 50, 100); fill("#EFA5FF"); ellipse(width / 2, height / 2, d); // 增加角度，控制速度 angle += 0.05; } ``` 运行后的动态效果是：  ### 4. 极坐标的跨越 极坐标是让我们从“工程师思维”跨越到“艺术家思维”的关键一步。 想象你在城市里指路，你可能会说：“向东走 3 个街区，再向北走 4 个街区。” 这就是**笛卡尔坐标系 ($x, y$)**，也就是我们通常说的直角坐标系，它是人类建造城市的逻辑，方方正正，不仅精确而且便于计算。 但大自然不这样指路。如果你问一朵花它是怎么长出来的，它不会告诉你 $x$ 和 $y$。它会遵循**极坐标系 ($r, \theta$)** 的逻辑：从中心出发，旋转一定的角度 ($\theta$)，然后向外生长一定的距离 ($r$)。  - **$x, y$** 是格子的逻辑（像素、大楼）。 - **$r, \theta$** 是圆的逻辑（雷达、涟漪、花瓣）。 要想在屏幕（基于像素 $x, y$）上画出自然（基于极坐标 $r, \theta$），我们需要一座桥梁。这就是著名的**极坐标转换公式**： $$ \begin{cases} x = r \cdot \cos(\theta) \\ y = r \cdot \sin(\theta) \end{cases} $$ 将 $x$ 和 $y$ 的计算方式从“固定数值”换成“基于角度的公式”，我们就瞬间拥有了画出圆形、螺旋线甚至玫瑰线的能力。 先来看一个花瓣效果：  如果在直角坐标系一下，很难去想到如果实现这个图案的绘制，但极坐标与角度相关，而且这里花瓣数量决定了如何选择角度，代码如下，也不复杂。 ```javascript function setup() { createCanvas(800, 450); noLoop(); colorMode(HSB, 360, 100, 100); } function draw() { background('#323252'); translate(width / 2, height / 2); noFill(); strokeWeight(3); let k = 5; let maxRadius = min(width, height) * 0.4; beginShape(); for (let a = 0; a <= TWO_PI; a += 0.01) { // 极坐标方程 let r = maxRadius * cos(k * a); // 转换为笛卡尔坐标 let x = r * cos(a); let y = r * sin(a); let hue = map(a, 0, TWO_PI, 0, 330); stroke(hue, 80, 100); vertex(x, y); } endShape(CLOSE); } ``` 如果多做几层花瓣，每一层花瓣有一个波动，就可以实现出下面这样的动画效果。  ### 5. Perlin 噪声的自然法则 > “随机是混乱的，但噪声是有序的。柏林噪声不仅是数学算法，它是对大自然‘无序中有序’这一哲学的完美复刻。” 自然界有很多看似混乱，但背后却有一定规则的现象，比如山峰，比如波浪。 如果我们用随机去模拟，比如，用 `random()` 去随机画一座山，你得到的可能是一堆乱七八糟的锯齿状图形。 这一小节，我们来看一个很有意思的算法：Perlin Noise（Perlin 噪声），它的作者 Ken Perlin，因为发明了这个算法而获得了奥斯卡技术成就奖。 为什么他会获得这个奖项呢？在他之前，用计算机特效去生成的一些纹理效果（如云层、波浪、火焰）都假得离谱，自从有了这个算法，电影里的特效才终于像样了，看起来很自然，不那么假了。 我们还是以 `p5.js` 为例来展示。 数字海洋，下面这段代码展示了如何利用 Perlin 噪声算法去实现一小段波浪运动的动画。 ```javascript let time = 0; function setup() { createCanvas(600, 400); } function draw() { background("#323252"); // 深海蓝背景 noFill(); stroke(100, 200, 255); strokeWeight(3); beginShape(); // 开始绘制波浪线条 let xoff = 0; for (let x = 0; x <= width; x += 10) { // 核心魔法：perlin noise let y = map(noise(xoff, time), 0, 1, 100, 300); vertex(x, y); // 确定波浪上的一个点 xoff += 0.05; // 值越小，越平缓；增加得越大，越陡峭 } endShape(); // 增加时间，让下一帧采样“旁边”的数据，形成流动感 time += 0.01; } ``` 运行得到的动画效果如下：  在此基础之上，做一些层叠调整，就可以得到下面这样的效果，很酷吧！原来看起来复杂无比的波浪效果，在算法的加持下，通过编程就这样模拟出来了。  ### 6. 涌现与生命 涌现，本是复杂科学中的一个词，它触及了计算机科学与生物学、社会学交汇的边缘。 神奇的是，对于涌现来说，**你没有编写复杂的行为，你只写了简单的规则，但复杂的智慧行为即诞生出来了**。 1986年，Craig Reynolds 提出了著名的 **Boids 算法**。他发现，只需要给每个个体赋予三个简单的向量力，就能模拟出极其逼真的鸟群。 在传统的动画里，如果我们要画一群鸟飞过天空，我们可能会计算每一只鸟的路径（自上而下的控制）。 但在“群集算法”中，我们**放弃上帝视角**。 你不再控制一个物体，而是创造一群“有个性”的个体（比如 100 只鸟）。你不需要告诉它们“排成一队飞”，你只需要给每只鸟 3 条简单的**局部数学规则**： - **分离 (Separation)**：别撞上邻居。 - **对齐 (Alignment)**：随大流，邻居往哪飞，我也往哪飞。 - **凝聚 (Cohesion)**：不掉队，往邻居多的地方靠拢。 这是数学上被称为 Boids 算法，应用还是比较广泛，鸟群飞舞、鱼群回旋、甚至是复杂的交通流模拟，都与这个算法相关。 > 运用 Boids 算法来模拟下面鱼群的游动的代码较长，这里就不贴在文章里了，感兴趣的朋友可以加我微信，我发给你。  数学遇上编程，让我们看到无意义的简单物体如何从混乱中产生出秩序。 代码里没有任何一行写着大家**一起往左转**或者**排成一字长蛇阵**。每一条鱼都是近视眼，只关心自己周围 50 像素内的邻居。但当 150 条近视的鱼放在一起时，整体的秩序感出现了，涌现出鱼儿群体智慧。 # 05 ## 在 AI 时代，重塑创造的定义 回顾这段旅程，我们并没有在枯燥的题海中沉浮，而是完成了一次思维的跳跃，**数学不再是试卷上静止的符号，它是描述规律的语言；编程也不再是单纯的逻辑堆砌，它是构建世界的工具**。 回到文章开头朋友问的那个问题：“AI 既然这么强大，不仅能画画还能写代码，孩子还有必要辛苦学编程、悟数学吗？” 我的答案其实更加坚定：**有必要，且比以往更有必要。** 有个不太恰当的类比：**有了自行车或汽车代步，是否就不需要锻炼身体了呢？** AI 确实能生成代码，也能生成画面，我们直接得到的是结果。 而数学与编程思维，掌握的是源头。**写代码** 这项技能或许会贬值，但 **将现实世界的问题抽象为数学模型，并用计算思维去解决它** 的能力，将变得无比稀缺。 当数学遇上编程，我们获得了一种上帝视角，不再满足于在别人构建的软件里点击按钮，我们开始渴望去定义重力、去编织光影、去创造生命。 当然，从学习的角度来看，相信这样的尝试更是有价值的！ 【全文完】  # ## // 广告时间 我建了一个相关的**付费微信群**，这个群大概会涉及到下面一些内容： - 与 AI 相关的一手信息 - 围绕 AI 时代如何学习与创造的实践分享 - 不定时的直播分享 - 群友自由讨论交流 感兴趣的可以单独加我上面的微信，麻烦备注 “**申请入群**”，期待更多有趣、深入的讨论！ 注：为了保证社群交流的质量，设了一个门槛费用，**99 元/人/永久**！若介意，请勿扰！ 另外，符合下面条件的，可申请折扣或免费加入： 1. 在读学生，29 元/人 2. 以前参加过我在竹白发起的针对小朋友的 dailyup 每日挑战的付费朋友，可免费加入 3. 有其它正当理由，希望折扣或免费加入的朋友https://dailyup.blog/posts/2025-12-07_blog_talk-about-randomness/https://dailyup.blog/posts/2025-12-07_blog_talk-about-randomness/你的生活，需要保留 10% 的“随机性”Sun, 07 Dec 2025 00:00:00 GMT # 00 ## 缘由 不知道为什么，最近在坐地铁或放空的时候，脑袋总是冒出**随机**这个话题。 于是用语音把一些零散的想法记录下来，抽一些空闲时间，整理成了这篇文章。没有太多实际的意义，权当是一种清空脑袋的做法，当输出成文字时，轻松了许多，偶尔回看时，还会产生一些有意思的启发。 **我们的生活总是在一种矛盾的状态下存在。** 一方面，我们极度渴望确定性，希望工作稳定、收入可期，希望孩子的未来有保障，规划一眼能望到头。毕竟，源自远古时代的基因会告诉我们，未知往往代表着危险。 另一方面，当生活真的变成了一条笔直的、毫无悬念的轨道时，一种更深层的恐惧又会油然而生，那是一种一眼望到头的无聊和绝望。 正如那句老话所说：“这个世界上唯一不变的，就是变化本身”。但我们往往误读了这句话，**我们并不是要在一片混乱中去寻找那个绝对不变的量，而是要承认变化，在“变化”与“不变”之间，寻找一种动态的平衡**。 一直没找到这种平衡是什么，直到随机这个词冒出来，**这种平衡的关键变量，就是随机性**。 下面就来聊聊关于随机性的一些随机思考。 # 01 ## 随机与公平  先从最直观的感受说起：公平。 大多数人的直觉里，随机往往意味着混乱和失控，**但在一个系统设计里，随机恰恰是一种公平的体现**。 很长一段时间，我在带着一些孩子学习编程，提问是课堂上必不可少的一个环节。 提问时很希望照顾到每个孩子，但实际情况是，**潜意识总会驱使我去点那些积极举手、眼神发亮的同学，很可能不自觉地忽略那些不太发言，不太引人注目的孩子**，但这不是我想要的结果。 **这是人类认知的局限，我们的注意力天然带有偏见。** 为了解决这个问题，有一次上课带着孩子用 AI 快速写了一个小程序，它的逻辑非常简单：随机抽取学生的名字。 每次屏幕上的名字开始无规律的跳动时，课堂的气氛一下就热闹了，所有的同学都知道，下一秒可能是任何人。 **这种随机带来了一种大家都能接受的程序正义**，哪怕某个“运气好的”的同学连着被抽中了三次，大家也只会觉得这是“运气”使然，而不会觉得是老师在针对。 你看，**随机性在这里，不只是一个工具，更是一种带来公平的设计**。 # 02 ## 高纳德的圣经  再来看一个有意思的故事。 学计算机的人应该都知道高纳德（Donald Knuth）吧？他是计算机科学界的泰斗，目前为止最年轻的图灵奖得主，他也是《计算机程序设计艺术》这个经典系列书的作者（我自己也买了前两卷，不过总共看了不到 100 页）。 高纳德是一个虔诚的基督徒，他写过一本很特别的，甚至有点古怪的关于圣经的书，名字叫《 3:16 Bible Texts Illuminated 》。 他是怎么读《圣经》的呢？他没有从头读到尾，也没有刻意去读那些著名的篇章。 他采用了一种极客式的**“随机抽样法”**：把《圣经》每一卷书的第 3 章第 16 节经文全都找了出来，然后用研究大型计算机程序的方式去深度解读这些随机切片。 更有意思的是，当有人问他“什么是数学”时，他又故技重施。他找了九本公认的经典数学著作，然后随机翻阅每一本书的第 100 页。 这种做法听起来有点荒谬。 但高纳德认为，**这种随机选择，实际上创造了一种“完备性”和“丰富性”。** 如果你只读目录，或者只读经典章节，你看到的是作者希望你看到的东西，或者是你已经感兴趣的东西（这叫确认偏误）。 但当你通过随机数切入一本书的第 100 页时，你可能会看到枯燥的证明、无聊的注脚，或者是被忽略的某些观点。 **这些“意外”，构成了更真实的数学全貌**。 当谈到为什么这种随机的方法管用时，他讲到了在传统意义上对通识教育定义：**“通识教育就是教给你一切事物的某些方面，和某些事物的一切方面。”** 这也是我很喜欢的一句话。 在信息茧房日益严重的今天，网络上的推荐算法一直在喂养我们喜欢看的东西。这时候，像高纳德一样，来一次**“随机漫游”**，就显得无比珍贵。 我特别喜欢 `Obsidian` 笔记软件里的“随机漫游”功能，也是同样的原因。 每天点一下，它可能会从我几千条笔记中随机捞出一条三年前的想法。这种跨越时空的随机碰撞，经常让我惊呼：“天哪，我当时居然有过这样的思考！”。 **创新，很多时候就是旧元素的新组合。而随机性，刚好是最好的组合粘合剂。** # 03 ## 反脆弱  随机性和反脆弱，恰好是纳西姆.塔勒布（Nassim Nicholas Taleb）在他的著名的《反脆弱》这本书中提及的两个核心概念。 **他把世界上的事物分为三类：脆弱、强韧和反脆弱**。 **脆弱，一个重要特征厌恶随机性、压力和混乱**。一旦遇到意外冲击，就会受损或破碎。就像一个精致的花瓶，如果不小心掉到地上（引入随机性），它就碎了。 **强韧，对随机性无感**。在压力下能保持现状，但不会变得更好。就好比一块石头，你把它扔在地上，它既不会碎，也不会因此变得更强壮。 **最后是反脆弱，特征是喜爱随机性，能从压力、混乱和错误中获益，在受冲击后反而会变得更强。** 这也是两个概念交汇的地方，如果没有随机性（压力、波动、不确定性），反脆弱的事物就会退化。 塔勒布用一个绝妙的隐喻来描述这种关系：“**风会熄灭蜡烛，却能使火越烧越旺**。” 随机性既是风险，也是机会。 # 04 ## 模拟退火算法  我是学计算机的，很早就知道计算机有一个算法：**模拟退火算法**。 **模拟退火算法就是利用“随机性”解决复杂问题的一个绝佳案例**。它不仅不排斥随机性，反而将其作为核心动力，用来解决传统算法无法解决的死胡同问题。 假设你被蒙住双眼，在一片连绵起伏的山脉中，你的任务是找到这片山脉的最高点。 如果你只遵循“往高处走”的试探原则，每走一步，试探你周围的每一步，只有感觉地势变高了，你才走过，如果变低，就绝不走。 如果按照这个原则（又称**贪心原则**），你很容易爬到你所在的这个小山的坡顶，在这个坡顶，你再也没办法往上爬一步，也绝不会往下走一步（因为往任何方向走都是下坡），你以为自己到了最高点，其实你只是这片山脉其中一个小山的山顶（陷入了**“局部最优解”**）。 要跳出这个局部的陷阱，**模拟退火算法的做法，就是引入随机性**。 模拟退火算法的核心，就是在寻找最优解的过程中，引入一个随机变量，允许系统在一定概率下做出前进或后退的选择。正是这种随机的“乱来”，给到了跳出局部陷阱、探索更广阔空间的机会。 **允许自己“随机地”往下走一步。生活也是如此。** 如果你的人生每一步都必须“最优”、都必须“正确”，你可能很快就会卡在一个平庸的“局部最优”里动弹不得。 那些看似倒退的低谷、那些意料之外的变故，往往是我们跳出当前“舒适区陷阱”的必要随机扰动。没有这关键的一步撤退，你可能永远无法登上下一个高峰。 正如尤尔·赫拉利在《人类简史》中所言，人类的出现本身就是一种巨大的偶然。 **在一个充满噪声的世界里，试图消除所有随机性，本身就是一种脆弱的策略。** # 05 ## 在学习中制造意外  **大脑喜欢惊喜，不喜欢惯性。** 我在带女儿学习时有一个实践。她在读小学，经常需要背诵一些英语单词或者语文相关的知识点。 为了对抗各种知识点反复记忆的枯燥，我准备了一个盒子，里面放满了写着知识点的纸条。但**在这些常规卡片中，我混入了一些“惊喜卡片”**：比如“休息 5 分钟”、“向爸爸提一个问题”、“玩一个小游戏”，甚至是“免死金牌（跳过一次作业）”。 这个小小的改变，产生了神奇的效果。她不再把学习看做是枯燥的任务，而是一次次充满期待的抽奖。她甚至会为了想抽到那张“免死金牌”而主动要求多复习几轮。 这背后的逻辑是：**随机性带来了惊喜，而意外才能满足好奇心。** 在多巴胺的驱动下，学习不再是单向的灌输，而变成了一场充满不确定性的寻宝游戏。 随机性，把枯燥的“坚持”，变成了有趣的“期待”。 **“不确定性的奖励”最迷人。** # 06 ## 拥抱那 10% 的混乱  我们的一生，似乎就是在确定与不确定之间走钢丝。太确定的生活是死水，太随机的生活是混乱。 最好的状态，或许就是像设计精良的游戏一样：**通关规则是确定的，但过程充满了随机掉落的宝箱**（意外之喜，也可能是意外之悲）。 不要试图掌控一切。给生活刻意保留 10% 的随机空地。 **生活之所以值得一过，正是因为我们不知道下一块巧克力是什么味道。** ## 结语 这篇文章也属意外，并不在计划当中，想到了，记下来，慢慢 `Obsidian` 里就多了不少关联的卡片。最终，**卡片的组合造就了这篇文章**。 感谢大家的阅读，一起拥抱随机性！ 【全文完】  # ## // 广告时间 我建了一个相关的**付费微信群**，这个群大概会涉及到下面一些内容： - 与 AI 相关的一手信息 - 围绕 AI 时代如何学习与创造的实践分享 - 不定时的直播分享 - 群友自由讨论交流 感兴趣的可以单独加我上面的微信，麻烦备注 “**申请入群**”，期待更多有趣、深入的讨论！ 注：为了保证社群交流的质量，设了一个门槛费用，**99 元/人/永久**！若介意，请勿扰！ 另外，符合下面条件的，可申请折扣或免费加入： 1. 在读学生，29 元/人 2. 以前参加过我在竹白发起的针对小朋友的 dailyup 每日挑战的付费朋友，可免费加入 3. 有其它正当理由，希望折扣或免费加入的朋友https://dailyup.blog/posts/2025-12-05_blog_ai-six-giants/https://dailyup.blog/posts/2025-12-05_blog_ai-six-giants/AI 六巨头：黄仁勋、李飞飞、Hinton 与 LeCun 的 40 年激荡与未来预言Sat, 06 Dec 2025 00:00:00 GMT  这是一场史无前例的对话。 想象一下，如果物理学界的爱因斯坦、波尔和海森堡围坐在一起，讨论量子力学的诞生与未来，那会是怎样的场景？ 今天我们见证的，正是计算机科学界的这一时刻。2025 年伊丽莎白女王工程奖的获奖者们——包括 **黄仁勋（Jensen Huang）、Geoffrey Hinton、Yann LeCun、Yoshua Bengio、Fei-Fei Li（李飞飞）** 以及英伟达首席科学家 **Bill Dally**——齐聚圆桌。 **人类群星闪耀时！** 他们六人，被誉为地球上最聪明、对当今世界影响最深远的大脑。是他们的坚持，让深度学习走出了漫长的寒冬；是他们的远见，构建了支撑当今 AI 时代的算力基石与数据海洋。 在这场对话中，他们不仅回溯了各自职业生涯的“顿悟时刻”，更直面了当下的尖锐问题：**AI 究竟是泡沫，还是新的工业革命？通用人工智能（AGI）距离我们还有多远？** 以下是本次对话盛宴的深度解读。 # 01 ## 那些改变历史的“顿悟时刻” 伟大的变革往往源于微小的火花。对于这几位先驱来说，今天的 AI 盛世，始于几十年前那些孤独却坚定的瞬间。 ### 1. 寻找智能的物理定律  对于 Yoshua Bengio 来说，一切始于研究生时期。当他读到 Geoffrey Hinton 早期的论文时，一种直觉击中了他：**也许智能并非复杂的规则堆砌，而是像物理定律一样，遵循着几条简单的原则。** 这种对“简单原则”的信仰，贯穿了深度学习的发展史。而在 40 年后，当 ChatGPT 横空出世，Bengio 迎来了人生第二个，却更为沉重的顿悟时刻：“**糟糕，我们在做什么？**” 他意识到，如果机器真的理解了语言，拥有了目标，而人类无法控制这些目标，后果将不堪设想。 这种危机感，让他如今将全部精力转向了 AI 安全领域。 ### 2. 算力与数据的双重觉醒  Geoffrey Hinton，这位“AI 教父”，早在 1984 年就尝试用反向传播算法训练微型语言模型。 > **"它能学会单词的含义，能通过特征的相互作用预测下一个词。基本的原理与今天的大模型完全一致，只是当时我们的规模太小了。"** Hinton 感慨道，为了这“太小了”的一步，人类走了整整 40 年。之所以漫长，是因为当时的人们并不知道，**阻碍 AI 发展的不是算法本身，而是算力和数据。** 这正是黄仁勋（Jensen Huang）和 Bill Dally 登场的时刻。  Bill Dally 在 90 年代末意识到，计算的瓶颈不在于算术，而在于内存读取的巨大能耗。他提出的流处理（Stream Processing）架构，最终演变成了 GPU 计算的雏形。 而黄仁勋的“顿悟”发生在 2010 年。 当时，吴恩达（Andrew Ng）告诉他，谷歌用了 16,000 个 CPU 来识别猫。黄仁勋与团队在英伟达用了 48 个 GPU 复现了同样的实验。 **当看到结果的那一刻，黄仁勋确信：这就是英伟达的未来。** 他意识到 GPU 不应只为图形服务，而应成为深度学习的专用引擎。 ### 3. 被遗忘的拼图：数据  与此同时，李飞飞（Fei-Fei Li）在 2006 年正经历着挣扎。作为第一代机器学习研究者，她发现无论怎么优化算法，机器的泛化能力都很差。 > **"我们意识到，这一块拼图里缺少了最重要的一环：数据。"** 人类在成长过程中被海量数据淹没，而当时的机器却处于“数据饥渴”状态。于是，她做了一个当时看来疯狂的决定：**构建 ImageNet。** 历时三年，整理 1500 万张图片，涵盖 22,000 个类别。 ImageNet 的诞生，直接引爆了后来的深度学习革命。它证明了一个朴素却深刻的道理：**大数据驱动机器学习。** # 02 ## 是泡沫，还是新的工业革命？ 当下的 AI 热潮，究竟是 2000 年互联网泡沫的重演，还是真实的需求爆发？ 面对这个问题，黄仁勋给出了极其坚定的回答。  ### 1. 每一块 GPU 都在全速运转 黄仁勋指出，互联网泡沫时期，电信公司铺设了大量并没有被使用的“暗光纤”（Dark Fiber）。基础设施远远超前于需求。 “但今天，你能找到的几乎每一块 GPU 都在被点亮、被使用。” 他提出了一个极其深刻的视角转变：**我们要重新理解软件的本质。** 在过去，软件是工具。我们购买软件，是为了让人更好地工作。软件是预先编译好的，运行时需要的算力很小。 **而在 AI 时代，软件变成了“劳动”。** AI 模型必须在当下实时生成智能（Intelligence），它需要具身感知上下文。这意味着，计算不再是简单的执行指令，而是在**生产价值**。 > **"我们正在建立的是'智能工厂'。这在历史上从未发生过，计算机成为了工厂的一部分，用来生产名为'Token'的智能产品。"** 黄仁勋认为，这是一个数千亿美元的基础设施建设周期，旨在服务数万亿美元的上层产业。 目前，大多数人还没有在日常生活中高频使用 AI，从现在的低渗透率到未来的全天候使用，中间巨大的增长空间，就是算力建设的理由。 ### 2. 并非所有的泡沫都是坏事 Yann LeCun 和 Yoshua Bengio 则提供了更冷静的补充。  LeCun 认为，只要模型变得更高效、更聪明，应用场景就会无限扩大。但他同时也警告，如果公众期望 LLM（大语言模型）能直接演化为人类水平的智能，那确实存在泡沫。 > **"LLM 并不是终点。如果你认为当前的范式直接推演就能实现 AGI，那可能会失望。"** Bengio 也同意这一点：目前的投资并没有浪费，因为即使是现有的技术，也足以支撑智能穿戴设备等海量应用。但要实现真正的超级智能，还需要科学上的突破，而不仅仅是工程上的堆砌。 # 03 ## 下一代 AI：超越语言，重返物理世界  既然 LLM 还有局限，那么下一座圣杯是什么？ #### 1. 空间智能（Spatial Intelligence） 李飞飞指出，虽然大模型在语言上表现出色，但如果你让它处理最基本的物理空间任务，它可能会一败涂地。 **人类的智能远不止语言。** 我们的感知、行动、与物理世界的交互，构成了智能的基石。她正在致力于“空间智能”的研究，这是连接感知与行动的桥梁。 Yann LeCun 也持相同观点。他一直强调，我们需要从“大语言模型”转向“世界模型”。现在的 AI 只是通过预测下一个词来“模仿”逻辑，它并不真正理解物理世界的因果关系。 我们至今没有造出哪怕像猫一样聪明的机器人。**因为猫不需要语言，就能理解重力、惯性、物体恒存性，并能在复杂的环境中生存。** 这是目前 AI 极度欠缺的能力。 # 04 ## AGI 还有多远？  对话的最后，主持人抛出了终极问题：我们距离机器智能超越人类，还有多少年？ 这个问题的答案，展现了顶级大脑们的不同哲学。 * **Geoffrey Hinton**：20 年内。如果是指“在辩论中永远赢过人类”，那可能更快。 * **Yann LeCun**：这不是一个单一的“事件”。机器的能力会在不同领域逐个超越人类，但这将是一个渐进的过程。 * **Fei-Fei Li**：这不仅是时间问题，更是定义问题。机器可以识别 2 万种物体，翻译 100 种语言，这已经超越了人类。但人类独有的创造力、同理心，是机器难以替代的。 * **黄仁勋**：答案并不重要。 黄仁勋的回答最为务实，也最为震撼。 > **无论那是哪一天，重要的是我们现在就在使用它。这项技术在不断变好，我们将用它解决无数具体的问题。** > > **未来不是等待来的，而是我们在解决问题的过程中被构建出来的。** 也许，这正是这群先行者给我们的最大启示：**与其争论 AI 何时统治世界，不如现在就动手，用它来重塑我们的世界。** 原始视频：[The Minds of Modern AI: Jensen Huang, Geoffrey Hinton, Yann LeCun & the AI Vision of the Future](https://www.youtube.com/watch?v=0zXSrsKlm5A&t=12s "The Minds of Modern AI: Jensen Huang, Geoffrey Hinton, Yann LeCun & the AI Vision of the Future") 【全文完】  # ## // 广告时间 我建了一个相关的**付费微信群**，这个群大概会涉及到下面一些内容： - 与 AI 相关的一手信息 - 围绕 AI 时代如何学习与创造的实践分享 - 不定时的直播分享 - 群友自由讨论交流 感兴趣的可以单独加我上面的微信，麻烦备注 “**申请入群**”，期待更多有趣、深入的讨论！ 注：为了保证社群交流的质量，设了一个门槛费用，**99 元/人/永久**！若介意，请勿扰！ 另外，符合下面条件的，可申请折扣或免费加入： 1. 在读学生，29 元/人 2. 以前参加过我在竹白发起的针对小朋友的 dailyup 每日挑战的付费朋友，可免费加入 3. 有其它正当理由，希望折扣或免费加入的朋友https://dailyup.blog/posts/2025-12-04_blog_how-to-achieve-fast-retrieval-through-naming-conventions/https://dailyup.blog/posts/2025-12-04_blog_how-to-achieve-fast-retrieval-through-naming-conventions/在 Obsidian 中，我是如何做到快速检索信息的？| 文件命名规范篇Thu, 04 Dec 2025 00:00:00 GMT  ## 引言 想象一下这样的场景：你的房间里堆满了东西。 一种情况是，房间看起来很乱，但你总能在一瞬间找到你想要的那本书或者那个小物件； 另一种情况是，你花了大把时间把房间收拾得井井有条，每一件东西都归类整齐，但当你真正急需某样东西时，却死活想不起它被塞进了哪个精致的收纳盒里。 这不仅仅是生活整理的隐喻，更是我们构建知识管理系统的真实写照。 **衡量一套笔记系统好坏的标准，从来不是它看起来有多整洁、分类有多完美，而是是否能从这套系统中快速检索并提取出有价值的信息**。 我自己记笔记的历程也曾陷入误区：**记得再多，归类再好，如果提取困难，等于白记了**。 直到我接触了卡片笔记法，又遇到了 `Obsidian` 这样顺手的工具，才慢慢摸索出一套适合自己的逻辑。 特别是有了 AI 的加持后，这套系统的活力比之前更盛了。 一套高效的学习生产力系统，关键在于：**想记的时候能快速记下，想用的时候能快速找出，以及能时不时给你灵感和启发。** 关于如何快速记录，网络上讨论很多；但关于如何**快速检索和输出**，讨论得却并不多。 今天，我想分享的是，为什么我在需要时，能从近 5000 张卡片中快速找出目标内容。 这主要归功于三点： 1. **基于离线的文件存储**：本地检索速度极快，没有网络延迟，这是 `obsidian` 工具带来的。 2. **一套基于文件名的检索方式**：这是本文讨论的重点。 3. **对卡片内容信息组织结构的经验积累**：下一篇文章再讨论。 授人以鱼，不如授人以渔。 希望这套实践方法能给你构建自己的知识库带来一点启发。 ## 一、为什么传统的分类方式会失效？  ### 1. 文件夹的层级陷阱 我们习惯了使用文件夹来管理文件，这似乎是计算机时代赋予我们的本能。**但在知识管理中，文件夹往往会成为阻碍信息流通的墙**。 想象一个复杂的企业组织架构，如果层级过于森严，信息传递就会受阻，管理成本也会飙升。使用层级文件夹来管理笔记，面临的是同样的问题。 **最典型的痛点就是“归属焦虑”。** 当你写下一条笔记时，你可能会纠结：这个文件是该放在“工作”目录下，还是“项目”目录下？又或者是“灵感”目录下？你会发现，**很多内容具有多重属性，放在哪里似乎都合理，又似乎都不完美**。 一旦你做出了选择，文件的层级关系就被“固化”了。未来想要调整这种结构，牵一发而动全身。 更糟糕的是，当你需要检索这个文件时，由于当初归档时的模糊性，你很难准确回忆起它究竟在哪个层级里。于是，**利用文件夹路径来辅助检索，在笔记数量增多后，往往是失效的**。 我们追求的，应该是像现代操作系统或 `Obsidian` 的全局检索那样：**忽略层级，直达信息**。 ### 2. 标签系统的维护成本 既然文件夹太死板，那标签（Tag）呢？ 标签确实更灵活，也是扁平化的，能解决层级僵化的问题。而且很多工具都提倡用标签来实现聚类。 但我在实际使用过程发现，**用标签作为主要检索手段，也有很大问题**。 通常标签有两种存在形式： * **独立标签**：像 Eagle 这样的素材管理工具，标签独立于文件，用于快速圈定素材范围，这很有效。 * **内容标签**：在 `Obsidian` 这类基于 Markdown 的工具中，标签往往是文本内容的一部分（比如写在 `YAML` 区或正文中）。 问题在于，**标签不太适合“精确检索”**。 一个文件可能有多个标签，一个标签下又有无数个文件。当你搜索 `#金句卡` 时，可能会跳出几百条结果，你依然需要二次筛选。 更现实的问题是，**我们很容易忘记打标签，或者忘记当初用了什么标签**。 为了解决这个问题，有的工具甚至推出了复杂的“标签图谱”或者“标签权重云”。但事实是，日常使用下来，**标签的维护成本很高，而实际使用率却往往低于预期**。 目前在我的系统中，虽然仍保留了文件夹和标签，但它们的存在感极弱，大多是历史遗留产物。 **我真正依赖的，是文件名。** ## 二、核心解法：基于文件名的检索实践  ### 1. 为什么要用文件名检索？ 我的这套方法，摒弃了对文件夹和标签的依赖，完全通过自定义的**文件命名规范**配合 `Obsidian` 原生的全局检索功能来实现。 经过多次迭代，目前 **95% 以上的检索需求都可以直接通过文件名来满足**。 甚至可以说，**基于文件名的检索方式是我整套学习生产力系统能够高速运转的关键**。 这样做的好处显而易见： 1. **极速触达**：在 `Obsidian` 中，`⌘ + O`（快速打开）是我最高频使用的快捷键。它支持强大的模糊检索（Fuzzy Search）。 2. **完全扁平化**：没有复杂层级，文件只有一层，天然扁平。 3. **降低管理成本**：不再纠结分类，几乎忘记了文件夹的存在，只关注内容本身。 当然，这有个前提：**内容需要尽可能“原子化”**。如果一张卡片里塞了太多杂乱的主题，无论怎么命名都很难精准定位。 ### 2. 规范命名公式 那么，具体怎么命名呢？我的规范非常简单，由三部分组成： **{日期} _ {关键字} _ {内容描述}.md** 例如文件名：`2022-10-29_obsidian_文件命名规范V1.0.md` 这就好比给每个文件发了一张身份证，每一部分都有其独特的意义。 * **分隔符**：使用下划线 `_` 分隔，符合程序员的直觉，清晰易读。 * **无空格**：文件名中尽量不带空格，避免在某些技术场景下检索出错。 * **全小写**：保持统一，减少输入时的切换成本。 * **拒绝缩写**：除非是极通用的共识（如 AI），否则尽量用全称，方便未来识别。 ## 三、深入解析：命名规范背后的思考  ### 1. 日期：为知识加上时间戳 很多人不解：为什么要加日期？文件名变长了，而且日期似乎跟内容无关。 虽然有一点个人偏好，但也有一个我个人比较看重的原因，**日期赋予了文件在“时间维度”上的观测能力**。 * **回溯脉络**：当我看到一张卡片是 `2022-10-29` 创建的，我能立刻意识到这套规范我已经迭代了很久。时间本身就是信息。 * **意外的惊喜**：比如我搜 `2021-10-15`，可能发现这天我共写了 3 张卡片，写了一篇技术笔记，看了《十三邀》许知远对话钱理群，还读了《剑桥学习科学手册》其中一章节。这些看似不相关的卡片，因为“同一天”这个时间线索串联起来，**文字突然与生活有了情感上的联系**。 * **量化统计**：有了日期，配合 AI 或插件，你可以轻松统计出“去年国庆节我写了多少卡片”，通过数据看到自己的生产力轨迹。 另外，相信我，基于卡片的这种记录与使用方式，大多数时候，都是快捷键直接打开文件，慢慢你几乎就会忘了文件名长短这事。 ### 2. 关键字：预埋的检索钩子 这是整套规范的灵魂。关键字可以理解为一种“硬标签”，但我通常只用一两个。 选择关键字的原则是：**用什么词，能让你在未来最快找到它？什么词对后续的输出最有帮助？** 这些关键字不是凭空出来的，大多是刻意设计的。 我会想，要记录一张卡片，哪些点对我来说非常重要，从这一点出发，就有了一系列的关键字设计，例如： **Question (问题)** ： 用于追踪某个问题的思考，如：`2024-02-11_question_为什么新加坡能够快速崛起`。 **Counterintuitive (反常识)** ： 专门收集那些打破认知的观点，这对写作极有价值，如：`2022-09-26_counterintuitive_胜任力错觉`。 **Paradox (悖论)** ： 悖论往往是思维的磨刀石，如：`2021-10-20_paradox_忒修斯悖论`。 **Quote (金句)** ： 积累素材库，如：`2024-02-10_quote_创造与品味`。 **People(人物)** ： 一些值得关注或受其影响的人物，如：`2021-10-13_people_Seymour Papert 西蒙.派珀特`。 其他的还有 `pov` (观点)、`checklist` (清单)、`anecdote` (轶事)、`solution`(解决方案) 等等。 还有一些是在长期的写作和分享中自然生长出来的。例如：`blog`(博客)、`slide`(幻灯片)、`family`(家庭)、`clip`(剪藏文章)，等等。 注意，对于关键字来说，**尽量使用表达精确的英文单词或拼音**，一旦形成了习惯，肌肉记忆会让你在检索时快如闪电。 > 我把自己用的较为通用的文件命名示例，整理了一份资料，有需要的可以加我下方微信索取。 ### 3. 内容部分：一句话卡片核心 这是文件命名规范中的第三部分，就是**用最简练的语言概括卡片的核心内容**。 如果你的**卡片本身就是遵循原子化的原则**，一张卡只讲一件事，概括起来并不难。 ## 结语  没想到一个通过文件名在 `obsidian` 中实现快速检索的主题也写了这么长一篇。 不需要复杂的插件，不需要耗时的分类。越简单，越自由。 这套基于文件名的实践，看似简单，甚至有点简陋，但它带来的改变是巨大的： 1. **使用频率提升**：因为找东西快了，正反馈强了，我访问知识库的频率越来越高。知识库不再是“只进不出”的死水，而是流动的活水，这也是从知识库向生产力系统转变的关键一环。 2. **极度灵活**：即使离开了 `Obsidian`，在任何支持全局搜索的工具（如 Raycast）及当下流行的 AI 工具（如 Cursor）里，这套命名规范依然能让我瞬间定位文件。 纳西姆·塔勒布在《反脆弱》中通过无数案例告诉我们要拥抱随机性。 而在知识管理中，**通过规范的命名（秩序）来承载灵感的涌现（随机）**，我也真实感受到了这样一种随机性带来的好处。 在下一篇文章中，我将带大家从文件名过渡到卡片内容的设计，和大家探讨： - 如何设计一张原子化的卡片 - 什么样的信息组织结构更容易带来启发 **最大化帮助到自己去输出和创造，这才是最终目的**，我大部分文章的写作也得益于这套系统。 下篇文章见！ 【全文完】  # ## // 广告时间 我建了一个相关的**付费微信群**，这个群大概会涉及到下面一些内容： - 与 AI 相关的一手信息 - 围绕 AI 时代如何学习与创造的实践分享 - 不定时的直播分享 - 群友自由讨论交流 感兴趣的可以单独加我上面的微信，麻烦备注 “**申请入群**”，期待更多有趣、深入的讨论！ 注：为了保证社群交流的质量，设了一个门槛费用，**99 元/人/永久**！若介意，请勿扰！ 另外，符合下面条件的，可申请折扣或免费加入： 1. 在读学生，29 元/人 2. 以前参加过我在竹白发起的针对小朋友的 dailyup 每日挑战的付费朋友，可免费加入 3. 有其它正当理由，希望折扣或免费加入的朋友 https://dailyup.blog/posts/2025-11-28_blog_martin-fowler-deep-interview/https://dailyup.blog/posts/2025-11-28_blog_martin-fowler-deep-interview/Martin Fowler 深度访谈：AI 是软件工程 40 年来的最大变局Fri, 28 Nov 2025 00:00:00 GMT  Martin Fowler 是软件开发领域最具影响力的人物之一。他是《敏捷宣言》的作者之一，也是经典著作《重构》（Refactoring）和《企业应用架构模式》的作者。**作为 Thoughtworks 的首席科学家，他对技术趋势有着敏锐且深刻的洞察。** 在最近的一期 *The Pragmatic Engineer* 播客中，Martin Fowler 深入探讨了 AI 如何重塑软件工程。 **这不仅仅是关于代码生成的效率提升，更是一场关于思维模式、学习循环以及行业未来的深度对话。** 以下是本次访谈的深度解读。 --- ## 一. 从确定性到非确定性：堪比汇编语言的消亡  当被问及 AI 对技术领域的影响可以与历史上的哪次变革相提并论时，Martin Fowler 给出了一个极高的评价：**这是他职业生涯中见过的最大变革。** 如果要从整个软件开发历史来看，他认为这堪比**从汇编语言向高级语言（如 Fortran、Cobol）的转变**。 * **抽象层级的提升：** 就像高级语言让我们不再需要关注寄存器和内存地址一样，LLM（大语言模型）让我们在更高的抽象层级上工作。 * **核心差异：** 但这两次变革有一个本质区别。高级语言的转变是层级的提升，而 AI 的转变是从**确定性（Determinism）** 到 **非确定性（Non-determinism）** 的跨越。 过去，我们给计算机指令，结果是确定的。现在，我们面对的是一个概率性的环境。Fowler 指出，这要求软件工程师像结构工程师思考“容差”（Tolerances）一样，学会处理输出的不确定性，而不是盲目信任。 ## 二. 警惕 "Vibe Coding"：不要切断学习反馈循环  "Vibe Coding" 是最近流行的一个术语，指的是程序员只通过自然语言提示（Prompt）让 AI 写代码，自己完全不看生成的代码，只要能运行就行。 Fowler 对此持保留态度。他认为 Vibe Coding 适用于探索性工作或一次性脚本（Throwaways），但对于长期维护的软件来说是危险的。 **核心危机在于“学习循环”的断裂：** > “当你使用 Vibe Coding 时，你实际上移除了一件非常重要的事情，那就是学习循环（Learning Loop）。” **软件开发的本质是人与机器的反复互动**，通过这种互动，开发者建立起对系统的理解。如果你不看代码，你就没有在学习。**当你不再学习，你就无法理解系统的结构，也就无法对其进行微调、演进或修复**。一旦系统变得复杂且不可控，你只能将其彻底推翻重来。 Fowler 分享了一个案例：他的同事用 LLM 生成了一个 SVG 图表。虽然图表看起来能用，但当 Fowler 打开代码想要微调标签位置时，发现生成的代码结构极其混乱且复杂，远超人工手写的十几行代码。这就导致了维护的噩梦。 ## 三. Thoughtworks 技术雷达：AI 在遗留代码中的巨大价值  Thoughtworks 每半年发布的“技术雷达”（Technology Radar）是行业的风向标。在最新的一期雷达中，AI 相关的条目占据了重要位置。 Fowler 特别提到了一个已经进入“采用（Adopt）”阶段（即强烈推荐使用）的实践：**使用 GenAI 理解遗留代码（Legacy Code）。** * **痛点：** 任何大型企业都有大量的遗留系统，且原来的开发者可能早已离职。 * **AI 的威力：** 利用 LLM 对代码进行语义分析，甚至结合图数据库（Graph Database）来追踪数据流向，可以极大地帮助开发者理解复杂的旧系统。 * **现状：** 这是一个已经在 Thoughtworks 内部和客户项目中被证明非常成功的应用场景。 相比之下，使用 AI 修改遗留代码仍处于探索阶段，因为风险较高。 ## 四. AI 时代的重构：代码越多，越需要整洁  Fowler 的经典著作《重构》至今已有 25 年历史。在 AI 能够快速生成大量代码的今天，重构是否过时了？ 答案恰恰相反。Fowler 认为重构将变得更加重要。 * **低质量代码泛滥：** AI 能够以极快的速度生成代码，但往往质量平平。如果只生成不重构，代码库将迅速腐烂。 * **小步快跑：** 重构的核心在于“小步骤”和“可组合性”。虽然现在的 AI 工具（如 Cursor、GitHub Copilot）还不能完全自动地进行复杂的架构级重构，但结合人类的判断和 AI 的辅助，我们可以更高效地清理代码。 * **新的工作流：** 我们可以利用 LLM 生成代码，然后由人类工程师进行严格的审查和重构，将其打磨成高质量的软件。 ### 五. 敏捷与模式：在 AI 时代寻找新的平衡  **关于设计模式（Design Patterns）：** Fowler 承认，过去十年设计模式的讨论热度有所下降。部分原因是云服务（Cloud）和 SaaS 产品的兴起解决了许多底层的架构问题（如数据库分片、消息队列等）。但他认为，**建立一套通用的词汇（Vocabulary）来描述系统依然至关重要**，特别是在分布式系统领域。 **关于敏捷（Agile）：** 作为《敏捷宣言》的签署人之一，Fowler 回忆了敏捷运动的初衷：让开发团队能够以小批量、高频率的方式交付软件。 在 AI 时代，虽然生产代码的速度变快了，但**反馈循环（Feedback Loops）** 依然是核心。如果 AI 只是让我们更快地制造更大的“代码块”，那我们将重蹈覆辙。正确的方式是利用 AI 缩短从“想法”到“运行代码”的周期，实现更快的迭代。 ## 六. 给初级工程师的建议：寻找导师，保持怀疑  对于在 AI 时代起步的初级工程师，Fowler 给出了非常务实的建议： 1. **寻找导师：** 尽管有 AI 助手，但一位经验丰富的人类导师依然是无价之宝。他们能教你那些 AI 无法传授的判断力和行业直觉。 2. **不要轻信 AI：** AI 是“容易受骗且爱撒谎的”。Fowler 提到 LLM 经常产生幻觉（Hallucinations），甚至在简单的日期问题上也会出错。 3. **多问“为什么”：** 当 AI 给出一个解决方案时，问它“为什么这样做？”、“你的来源是什么？”。通过不断追问，利用 AI 来辅助理解，而不是仅仅获取答案。 ## 七. 行业现状：泡沫与萧条共存  Fowler 对当前的科技行业做出了冷静的观察：我们正处于一个奇怪的时期——**AI 的泡沫与行业的萧条同时存在。** * **萧条：** 零利率时代的结束导致企业投资大幅缩减，许多公司经历了大规模裁员。 * **泡沫：** 与此同时，大量的资金涌入 AI 领域。 虽然目前形势复杂，但 Fowler 对软件开发的长期前景依然乐观。因为人类对软件的需求，即解决复杂问题的需求远未饱和。**AI 不会消灭软件开发，但会彻底改变我们工作的方式**。 ## 结语 Martin Fowler 的观点提醒我们，在 AI 浪潮中，不要被技术的光环迷了眼。软件工程的核心依然是**沟通、理解问题以及构建可维护的系统**。 AI 是一个强大的引擎，但方向盘依然掌握在人类工程师手中。我们需要从盲目的“代码生成”转向更深层次的“系统理解”与“架构设计”。 在访谈最后，Fowler 还向大家推荐了两本书和一个桌游： - 书籍： [思考，快与慢](https://book.douban.com/subject/10785583/)，这本书可以帮助你理解概率和统计谬误； - 书籍：[成为官僚](https://book.douban.com/subject/2982991/)，关于 Robert Moses 如何在纽约行使权力的传记，文笔极佳。 * 桌游：**Concordia**，一款策略性强但易于上手的桌面游戏。 【全文完】  --- ## 广告时间 我建了一个相关的**付费微信群**，这个群大概会涉及到的一些内容： - 与 AI 相关的一手信息分享 - 围绕 AI 时代如何学习与创造的实践分享 - 不定时的直播分享 - 群友自由讨论交流 感兴趣的可以单独加我上面的微信，麻烦备注 “申请入群”，**期待更多有趣、深入的讨论！** 注：为了保证社群交流的质量，设了一个门槛费用，**99 元/人/永久**！若介意，请勿扰！ 另外，符合下面条件的，可申请折扣或免费加入： 1. 在读学生，29 元/人 2. 以前参加过我在竹白发起的针对小朋友的 dailyup 每日挑战的付费朋友，可免费加入 3. 有其它正当理由，希望折扣或免费加入的朋友 访谈视频：[How AI will change software engineering – with Martin Fowler](https://www.youtube.com/watch?v=CQmI4XKTa0U "How AI will change software engineering – with Martin Fowler")  https://dailyup.blog/posts/2025-11-21_blog_gemini3-and-nanobanana-pro/https://dailyup.blog/posts/2025-11-21_blog_gemini3-and-nanobanana-pro/这一次，门槛真的消失了！深度体验 Gemini 3 和 Nano Banana ProFri, 21 Nov 2025 00:00:00 GMT 大家好，我是大圣不是圣。 Google 最近一周陆续发布了 Gemini 3 和 Nano Banana Pro，我也第一时间深度的测试和使用了，整个使用过程都是处在一种比较兴奋的状态，感叹 AI 太强大了。 **这一次，门槛真的“消失”了。** 于是昨天晚上在内部群临时做了一个关于 Gemini 3 与 Nano Banana Pro 的分享，没怎么准备，但一个小时能产出的内容还是让人惊艳。 把这次分享的核心内容整理出来，也希望能给你有一些启发。 > Gemini 之前有 2.5 Pro，Nano Banana 也有 1.0，相关的资料在网上已经有很多了，因此**这次分享更多是展现一些与之前不一样的功能使用情况**。 ## 一、Nano Banana Pro - 人人都设计师 当前要使用 Nano Banan Pro 有不少渠道，下面这三个是我用得比较多的，各有特色： - 直接通过 [Google Gemini](https://gemini.google.com/app "Google Gemini") 来使用 - 通过 [Google NotebookLM](https://notebooklm.google/ "Google NotebookLM") 来使用 - 通过第三方集成了 Nano Banana Pro 的服务来使用，比如 [Lovart](https://www.lovart.ai/ "Lovart") 下面的例子这三个渠道都会用到。 个人感觉，这次 Nano Banana Pro 的升级，最大的亮点便是对中文的支持更加友好了，**以前通过 Nano Banana 生成图，最大的痛点就是中文字的处理**，生成的中文要么是错别字，要么是奇奇怪怪的像中文的符号。 这次 Google 终于把这个问题解决了。而且解决得比目前市面上的其它大模型都要好。 还是来看几个例子。 ### 1. 配图翻译 之前下载或翻译一些国外的文章，里面的配图文章很不好处理，有了 Nano Banana Pro，简直不要太简单。 下面是我临时找的一张英文字配图，而且字比较多。  在 Gemini 中使用 Nano Banana Pro，上传这张图片，提示词很简单： > 将图中的文字全部翻译成中文，重新输出这张图 直接看效果。  ### 2. 信息图生成 再来看一个例子。我刚好在读一篇关于生成式 UI 的英文论文，希望将这篇论文的核心思想和流程转化为一幅白板信息图。 直接上传这篇论文的 PDF，使用工具：官方的 Gemini，提示词： > 将这篇论文的内容，转化为一幅教学白板图像，包括：图表、箭头、方框和说明核心思想的标题。同时使用不同颜色文字来做区分。图中的文字使用简体中文。 下面是输出的效果，也出奇的好。  ### 3. 配图生成 这也是一个比较常见的应用场景，为博客文章配图，下面是我拿自己以前写过的一篇文章做的测试。 使用工具：lovart，提示词超级简单： > 根据下面的文字内容生成合适的配图 > > {文章内容} 除了提示词，我还垫了一张我自己喜欢风格的图作为参考。 生成的效果也挺满意的，下面是其中一张。  > 注意，直接在 Gemini 生成也没问题呢，这次只是多介绍一个使用渠道。 ### 4. 知识绘本生成 这次我们在 NotebookLM 中使用。 NotebookLM 是一个 AI 知识库管理工具，也是 Google 的产品，你可以方便的通过各种来源上传资料（包括 PDF、网站、YouTube 视频、音频等），然后可以利用 Gemini 大模型的超强理解能力，让这些资料成为你的研究与思考伙伴。 在 NotebookLM 中，涉及到图片的部分也升级为了 Nano Banana Pro，因此我们也可以直接利用 Nano Banana Pro 的能力，尤其在生成 Slide（幻灯片）这部分。 通过自定义提示词，可以让幻灯片发挥出超越普通幻灯片的能力，比如接下来这个“一休讲数学系列”。 首先，我在 NotebookLM 中新建了一个笔记（Notebook），并且上传了一份关于分数讲解的 PDF 文档。 然后在右侧为幻灯片添加了自定义提示词。  提示词如下： > 针对小学三年级的小朋友，生成一个“一休讲数学“系列的绘本，根据知识库内容帮我设计一些有挑战和趣味的情节，保证人物形象的一致性。  然后就是耐心的等待，大概几分钟后，一个完整的知识点讲解绘本就生成了（共 16 页）。 下面是选择的其中几幅，效果也很不错：  > 特别注意：对于这种知识点讲解的图片生成，一定要注意生成的内容正确性，虽然生成的图从美观，包括对内容的理解，都挺不错，但仍然会有不少事实性的知识错误，一定要小心！ ## 二、Gemini 3 - 人人都是开发者  首先来看一份关于 Gemini 3 的[基准测试报告](https://www.vellum.ai/blog/google-gemini-3-benchmarks "基准测试报告")结果，从推理、数学、多模型理解、长上下文处理能力以及多语言处理这 5 个方面来看，Gemini 3 基本上都排到了第一名，有些甚至是碾压式的。 > 尽管测试本身无法反映出准备的实际价值，但它仍然是衡量不同模型质量的重要途径之一。 比如下面这张图，是其中关于推理这一块的测试结果。可以看到， Gemini 3 Deep Think 在三种类型的推理测试上都是第一名。  其它测试结果就不展示了，感兴趣的大家可以通过文章最后的链接去查看全部测试结果。 使用 Gemini 3 也有三种渠道。 - 官方 Gemini 站点 - [Google AI Studio](https://aistudio.google.com/apps "Google AI Studio") - 集成了 Gemini 3 的一些工具（如 Cursor） 我们今天只会用前两种。而且主要集中自己创建可交互应用和工具，而不是简单的文字问答。 ### 1. 知识点测试 Canvas 是 Gemini 中的全新交互空间，旨在让创作、打磨和分享作品变得轻松便捷。只需在提示栏中选择"Canvas"，即可实时书写和编辑文档或代码，所有修改都会即时呈现。 **如果把 Canvas 用好，可以做很多意思的事情。** 下面这个例子是真实的，女儿 12 月要去考 GESP C++ 二级，为此，我 上传了一份二级相关的知识点及典型题资料，在 Gemini 中让它帮我生成一份可交互、带验证的测试，直接就可以做了。 操作很简单，分三步： 1. 通过下方的选项卡切换到 Canvas 模式 2. 上传相关的复习内容资料 3. 按下面的提示语，让 Gemini 帮我生成测试 提示词： > 根据上传的资料，帮我创建一个测验挑战，使学习更具趣味性  ### 2. 算法可视化交互 > 对编程和算法不太了解也没关系，这里只是一个示例呈现，了解对于这种比较复杂的可视化也可以快速实现即可。 这也是一个真实的示例，我平时在带一些孩子学习算法，正好最近讲到 DFS（深度优先搜索算法）这一块，以前讲到这里我一般是通过手动画图的方式来呈现整理搜索的过程，但这里面涉及到递归调用、回溯以及访问状态的观测，我自己去画也很麻烦，而且并不太直观。 想着用 Gemini 做一个测试，也没料到效果比想像的更好。一个流程把上面我想的几块全动态呈现出来了。 这次使用的是 [Google AI Studio](https://aistudio.google.com/apps "Google AI Studio")，这是 Google 出的一个基于浏览器的集成开发环境，让你可以选择不同的模型去快速尝试并生成应用。 使用的是 Gemini 3 Pro Preview 模型。整个过程只用两轮会话（用了两次提示语）。 第一次提示语： > 帮我用 SVG 绘制一个演示二叉树深度优先搜索算法的动画 一次得到的结果已很好了，因为前面没指定界面用中文呈现，所以界面上的文字全是英文，所以才增加了一轮会话。 第二次提示语： > 将整个界面的文字内容更改为简体中文 在右侧就可以体验一个完整的交互式演示 DFS 算法的应用了。  ## 结语 > 学 AI，更是通过 AI 去学习。 当然，**Gemini 3 和 Nano Banana Pro 能做的事远不止这里举的这些例子**，这里只是借这些例子（基本上都是一两句提示语就可以搞定）让大家看到： **AI 已然如此强大，普通人想要做一个工具、一个小产品，或者仅仅是帮自己解决一个具体问题的路径，被彻底打通了**。 这次的分享比较碎片，但核心其实就一点：**AI 正在把创造的权力，交还给每一个有想法，愿意去尝试的人**。 分享中演示到的很多例子，在以前都需要专业的设计师、程序员才能做出来，而现在，**只要你愿意，每个人都可以是设计师，每个也都可以是程序员**。 面对这么快的技术迭代，焦虑是难免的，**对抗焦虑的最好办法，就是去用它**，把它们放到你的学习和工作流程中去，去解决你身边哪怕最小的一个问题。 【全文完】 ---  ## 广告时间 我建了一个相关的**付费微信群**，这个群大概会涉及到的一些内容： - 与 AI 相关的一手信息分享 - 围绕 AI 时代如何学习与创造的实践分享 - 不定时的直播分享 - 群友自由讨论交流 感兴趣的可以单独加我上面的微信，麻烦备注 “申请入群”，**期待更多有趣、深入的讨论！** 注：为了保证社群交流的质量，设了一个门槛费用，**99 元/人/永久**！若介意，请勿扰！ 另外，符合下面条件的，可申请折扣或免费加入： 1. 在读学生，29 元/人 2. 以前参加过我在竹白发起的针对小朋友的 dailyup 每日挑战的付费朋友，可免费加入 3. 有其它正当理由，希望折扣或免费加入的朋友 https://dailyup.blog/posts/2025-11-10_blog_why-do-you-record-yourself-more-frequently/https://dailyup.blog/posts/2025-11-10_blog_why-do-you-record-yourself-more-frequently/为什么在AI时代，你更应该坚持频繁地记录自己？Mon, 10 Nov 2025 00:00:00 GMT 读了很多文章，看了很多视频，但回想起来，脑子里却一片模糊。 知识左耳进，右耳出。 我们似乎在进行一种"无效学习"。 针对这个问题，我自己有一个"笨"解法：**大量、长周期、频繁地记录自己。** 这也是很多人知道，但仍然被严重低估的成长行为。  看了一下，过去四年，我在 `Obsidian` 中已经记录近 5000 张卡片。平均下来，每天 3 ~ 5 张，记录已成为日常。 更重要的是，**这几千张卡片构成的知识库，已经成为我真正的第二大脑**。 而且是活的。 每天都在进化，每天都给我惊喜。 **长期记录带来的好处，远超我当初的预想。** 下面，就自己的经验来聊聊，为什么你应该频繁地记录自己，为什么有了 AI 的加持，你更应该如此。 ## 一、为什么重要 > 写下来的内容，才能真正的进入脑子里。 ### 1. 对抗遗忘  我们都知道艾宾浩斯曲线，**学到的新知识，遗忘速度会先快后慢**。我在文章【】中也提到，**通过间隔重复实践，可以优化这条曲线，让记忆的留存率极大提升**。 频繁记录，就是对抗遗忘的一种方式。 当你尝试写下自己学到的东西时，无论是生产内容还是组织链接，都是一种增大认知摩擦力的方式，你就是在**迫使大脑“重新提取”信息，这一种高效的“主动回忆”行为**，比只是被动看书、看视频有效得多。 更关键的是，当你试图用自己的话，把学到的东西记录下来（解释清楚）时，你的大脑需要重新组织内容，在这个过程中，很多你以为懂了的东西，一写就卡壳。 这就是理解上的漏洞。不写，你发现不了。 **记录的价值，不在于保存信息，而在于迫使你去思考。** ### 2. 释放大脑  科学研究表明，大脑的工作记忆非常有限，一次只能同时处理 4 - 7 个信息组块。 如果你不记录，你的大脑会被各种临时、琐碎的信息占满，今天要做什么、刚才看到了什么、待会要回谁的消息、刚刚对产品有一个新的想法……脑袋满了，就没法进行深度思考了。 通过频繁记录，就是把这些信息卸载下来，放到外部存储系统（像 `Obsidian` 这样的笔记工具）。 大脑清空了，才能去做更重要的事：思考、创造、解决问题。 **持续的记录，你的笔记系统慢慢就变成你思考的第二大脑。** ### 3. 元认知训练  > 如果你不写作，你可能只是在自欺欺人地认为你已经思考了。 > > --- 比莱斯利.兰波特 **元认知，就是"关于思考的思考"。** 换句话说：就是你不只是在做事，还能跳出来，像一个“旁观自己的人”那样，去观察和审视自己，我在做什么？为什么这样做？有没有更好的方法？ **当你开始记录自己的思考、犯过的错，甚至遇到的困惑时，你实就是在训练自己的元认知这项能力**。 就像计算机编程一样，尽可能在 Debug（调试模式）下运行自己的大脑，看着指令一条条闪过，在需要关注的指令处停止，观察当前的状态，更改参数，再运行，再观察，直到运行结果「正确」为止。 这需要刻意练习，如果没有记录，这种刻意练习很难进行！**写下来，就有了多次触达内容的机会，也才会有多次去反思和改进的可能！** ### 4. 带来惊喜  > 学习需要惊喜，而随机是带来惊喜的一种很有意思的方式。 当你记录的卡片足够多时，`Obsidian` 中有一个简单的随机漫步功能，让你可以随机触达你记过的卡片。 我经常在坐地铁或休息时刷一刷，每次都能遇到一些之前记录但印象不深的想法，再看时经常会有一些新的启发，有时候，两张看似无关的卡片碰在一起，很容易给你带来灵感，甚至惊喜。 我自己有很多新的卡片，都是在这样的漫步过程中产生的。 `Obsidian` 提供了这种随机漫游的方式，我一般是在手机上配置好通过下拉去触发这个动作，非常方便。 ## 二、记什么  记录，看起来简单，但很多人刚开始不知道该记什么，或者记了一堆却发现没什么用。 下面是我自己的一些实践经验和原则。 ### 1. 原则：数量优于质量 首先，有一个基础的原则：**数量优于质量**。 这一点有点反常识，但非常重要。 很多人一开始就追求"完美的笔记"，结果半天写了一张卡片，写几次就不想写了。 我的做法是，**先不管质量，重点是把想法快速记下来**。一张卡片可以很简单，一句话也行，一个想法也行。 重要的是**先记下来**。 数量上去了，你对记录这件事的感觉会越来越好，质量也会在不知不觉中提升。 在我的 Obsidian 里，最早的一些卡片，现在看起来写得并不好，甚至语句都有些不通顺。 但那又怎样？ **它们都是我当时的真实想法，是我知识网络的一部分。** 另外，如果觉得通过打字的方式去记录比较慢，现在可以借助一些AI语音输入软件去把自己的想法或思考快速转变为文字，效率会明显提升。 如果在手机上，我一般用得到的[Get笔记](https://www.biji.com/ "Get笔记")去快速记录自己的想法。 在电脑端，我现在大部分还是手动打字输入，目前在尝试使用类似[闪电说](https://shandianshuo.cn/ "闪电说") 这种AI语音输入法去录入内容，确实方便不少。 ### 2. 内容：记录真实的自己 **1. 学到的新知识** 无论是看书、看文章，还是看视频，把学到的新概念、新方法，用自己的话写下来。 不要照抄，要用自己的话解释一遍，这个过程本身就是学习。 **2. 自己的想法和洞察** 这是最有价值的部分。 你对某件事的看法、突然冒出来的灵感、对问题的反思，这些都是独一无二的，不记下来就忘了。 我甚至有好些次是躺在床上，放松状态，脑袋突然多了很多有意思的想法，然后跳起来，赶快记下来。第二天一大早起床后，翻看当时的记录，挺有意思的，有时还会更新一下当时的想法。 **3. 遇到的问题和解决方法** 工作中遇到的坑、找到的解决方案，都值得记录。 下次遇到类似问题，直接在自己的知识库里搜。 实际上，之前我还大致算过，当我遇到一个问题时，大概率（90%）直接可以在我们知识库里找到解答，比搜索引擎快多了。现在有了 AI，一些具体问题的解决方案，从 AI 获取越来越多了，比例有所下降。 下面第 5 点的记录比较之前更多了。 **4. 有意思的故事和例子** 好的案例、生动的故事，都是未来写作和分享的素材库。 有时候听到朋友分享一个故事、一个笑话，只要觉得有意思，我也会记录到知识库。 我现在写公众号，很多例子都是从我过去几年的卡片库里提取的。 **5. 真实的生活记录** 这部分内容实际上是从今年才开始增多的。 我在尝试把生活中真实发生的很多事都记录下来，无论好的还是坏的，尽可能真实。 期待有一天（已真实在发生），**AI 会根据这些数据为我画像，它比我还了解我自己，它会根据所有的事实，帮我找出漏洞，告诉我问题在哪儿，该怎么改进**。 尽管最终判断和决策仍是我自己来做，但我有了一个不受情绪影响的超强 AI 助手给我出谋划策。 ## 三. 怎么记  > 每条笔记都是引用和反向引用系统网络中的一个元素，笔记的质量就取决于这个网络 > > --- (Luhmann, 1992) ### 1. 原子化记录 一张卡片只记一个点。 不要把所有想法都挤在一张卡片里，那样未来很难提取和组合。 卡片越原子化，未来的排列组合空间就越大。 还有一点，在我自己基于 `Obsidian` 的这套系统中，基于文件的命名规范是当中比较重要的一环，而**要能做到通过文件命名有效定位到卡片内容，也要求我必须进行原子化记录**。 ### 2. 来源与链接 我记录的**所有卡片，无论何种类型，都会加上“来源”与“关联”这两项**（通过 `Obsidian` 模板来实现的），而且这两项会先于内容去完成。 来源：卡片的内容来源，无论是从书上看到的，还是和朋友聊天得到的，都标注一下来源。 这样，你在未来任何时候再次触达这张卡片时，“来源”可以带着你回溯到源头，把你带入当时的场景，你就更容易深入内容，继续思考。 关联：在记录时，想一想：这个想法和我之前记的哪张卡片有关系？在 Obsidian 里，用双向链接把它们连起来。 **链接越多，知识网络越强大。** ### 3. 用自己的话去写 **卡片的内容，尽量用自己的话去写**，老是写的都是别人的话，其实是记不住的。 这里有容易有一个误区，很多人把记笔记与摘抄、剪藏等混起来。 比如说，在网上看到一篇好文章，直接通过插件保存到 `Obsidian`（`Obsidian` 确实也提供了这样的插件）；或者在网上看到一段有启发的内容，直接复制粘贴到 `Obsidian`；或者，把微信读书上阅读文章时通过划线收藏了很多笔记，直接全部导入到 `Obsidian` 中。 这几种做法我也有用，但会**严格控制比例**。 如果是金句，我会原样摘抄，但会记下来源，记下金句带来的启发或者记下当时的感受！ 如果是特别好的文章，我也会通过 `Obsidian Web Clipper` 收藏下来，放到一个专门的 `clippings` 目录，在保留原文章的同时，还会继续二次处理，从这篇文章生产出一些新的卡片，一篇好文章往往也能产出 2 ~ 3 张卡片。 一般来说，我不会把类似微信中的划线笔记直接导入到 `Obsidian` 中，哪怕手动录入一次也行，增加一个提取练习的机会。 当然，这一点因人而异，只是我的做法。 ## 四、记录的底层逻辑  说了这么多，记录到底为什么有效？前面或多或少已提到一些。 **从认知科学的角度来看，记录不只是"存一下"，而是一个提取、反思、重构的完整过程。** ### 1. 提取强化记忆 写下来的过程，其实在大脑在做"主动回忆"，这是一种有效的记忆强化方式。 被动看书，记忆的留存率可能不到10%，但主动提取，留存率真可能会达到70%以上。 ### 2. 写作暴露漏洞 很多时候，我们不断的划线，做标记，反复阅读，**反复会带来一种以为自己掌握和理解了所看知识的感觉，研究者把这种现象称为「胜任力错觉」**。 这也是为什么当你想用自己的话写下来（或者用自己的话给别人讲清楚），一写就会卡壳的重要原因。因为你并没有真正的理解。 **记录的过程，会让这些漏洞暴露出来，倒逼你去重新理解和思考。** ### 3. 外化思考 > Paper is to write things down that we need to remember. Our brains are used to think. > 纸张是用来记录我们需要记住的事物。而我们的头脑，则是用来思考的。 > > --- 爱因斯坦 把想法记录下来，就是把它从大脑的"工作记忆"转移到"外部存储"，为我们大脑的思考腾出空间。 **大脑轻装上阵，才能更加专注思考和创造。** ## 五、AI 时代，记录更重要 计算机领域有一句著名的话：**垃圾进，垃圾出（Garbage in, garbage out）**。意思是，你给计算机输入了错误的数据或资料，它也一定会输出错误的、无意义的结果。 AI 大模型遵循同样的原则，所有的模型都是通过来自于互联网的海量数据训练而来的，没有好的数据，也训练不出好的模型。 **而你的记录，就是专属于你的、真实的"个人数据"。** ### 1. 你的记录是 AI 的燃料 持续记录，这些内容就构成了你独一无二的"个人知识库"。 有了这些数据，AI 才能真正了解你，包括你的语境、偏好、思考方式。 它才能成为你真正的"私人助理"，而不是一个通用的回答机器。 我在 2024 年终总结中写过，2025 年想做的一件事是：**借助 AI 让卡片网络涌现出更多的洞察，产生更多的输出**。 现在，这件事正在发生。 ### 2. 记录 + AI = 持续进化的第二大脑  **你的记录 + AI 对话，就形成了一个持续进化的循环**： - 你记录想法 → AI 帮你整理、扩展、找关联 - AI 提供新视角 → 你产生新想法 → 继续记录 - 记录越多 → AI 越懂你 → 输出质量越高 **这不是替代你的思考，而是放大你的思考。** AI 没出现之前，我的知识库已经很有价值。AI 出现之后，价值被放大了 10 倍不止。 四年前，选择以 `Obsidian` 为载体来打造自己的个人知识库，现在回想来看，这个选择太正确了。 本地、所有内容以 Markdown 文件格式存储，天然就是为 AI 而生的。 举一个简单的真实例子。 有一次，要给一家国有企业做一场两小时的 AI 科普分享，有两件事我需要准备。一个是需要提供一份个人简介，最好有教育和工程实践的背景；一个是我需要提前准备一份两个小时课程大纲，提交过去审核。 而这两部分内容，我的个人知识库都有，但散落在不同的卡片当中的。 当时，我借助 AI 去读取我的知识库，直接通过提示词就把这两件事干了，总共花了十来分钟，出来的结果很满意，既是个性化，所有内容又都源于我自己真实的资料。 在以前，哪怕不复杂，还是会花掉我一两个小时的时间去准备。 这件事上，至少十倍的效率提升。 ## 从现在开始 不要想太多，从记录一张简单的卡片开始。 可以是今天学到的一个新概念，可以是突然冒出来的一个想法，甚至可以是你对这篇文章的感受。 记下来，然后明天再记一张。 几年后，你会惊讶于自己拥有了一个多么强大的第二大脑。 【全文完】  --- ## 广告时间 我建了一个相关的**付费微信群**，这个群大概会涉及到的一些内容： - 与 AI 相关的一手信息分享 - 围绕 AI 时代如何学习与创造的实践分享 - 不定时的直播分享 - 群友自由讨论交流 感兴趣的可以单独加我上面的微信，麻烦备注 “申请入群”，**期待更多有趣、深入的讨论！** 注：为了保证社群交流的质量，设了一个门槛费用，**99 元/人/永久**！若介意，请勿扰！ 另外，符合下面条件的，可申请折扣或免费加入： 1. 在读学生，29 元/人 2. 以前参加过我在竹白发起的针对小朋友的 dailyup 每日挑战的付费朋友，可免费加入 3. 有其它正当理由，希望折扣或免费加入的朋友https://dailyup.blog/posts/2025-11-04_blog_how-to-learn-and-create-efficiently/https://dailyup.blog/posts/2025-11-04_blog_how-to-learn-and-create-efficiently/对抗 AI 焦虑：这套 AICE 系统，让你成为未来十年的超级个体Tue, 04 Nov 2025 00:00:00 GMT ## 一、引言 我们正站在一个前所未有的变革路口。 以 AI (人工智能) 为代表的技术浪潮，正以远超工业革命和信息革命的速度，凶猛地重塑着我们的世界。 焦虑是普遍的： - “我的工作会被取代吗？” - “我今天学的技能，明天还会有用吗？” - “在一个什么都能被 AI 搞定的时代，我作为人的价值到底在哪里？” 这种焦虑，源于我们赖以生存的旧地图，已经无法导航今天的新世界。 停止焦虑的最好办法，不是去抱怨、去躺平，甚至不是去“学习”，**而是去“构建”**。 **我们缺的不是更多的信息，而是一个能够帮助我们持续构建的系统。** 一个能够驾驭 AI、消化信息、内化认知、并持续创造高价值的“个人能效操作系统”。 今天，我为你介绍一个我在这几年内一直在打磨和实践的框架：**AICE 个人能效系统**。  它不只是一个学习方法，而是一个完整的个人学习与价值创造系统。AICE 是四个核心支柱的缩写： * **A - AI (人工智能):** 你的超级杠杆与加速器。 * **I - Input/Output (输入/输出系统):** 你的价值创造引擎，以 `Obsidian` 等工具为载体。 * **C - Cognition (认知科学):** 你的系统运行原理，即大脑的“使用说明书”。 * **E - Expertise (专家模型):** 你的系统“算法”，即多元思维模型库。 这套系统巧妙地融合了“道”（认知科学）、“术”（多元思维模型）、“器”（基于 Obsidian 的知识管理系统）和“势”（AI 杠杆），构成一个可闭环运行的生产力系统。 它的目标是回答这个时代的核心问题：**在 AI 时代，个体如何掌握如何学习这个元技能，如何构建一个“知识复利”和“价值创造”的生产力系统？** 这篇长文，我将为你彻底拆解这套系统的四个层次，内容较长，**建议先收藏，再找一个安静的时间，深度阅读。** ## 二、道：认知科学  一切高效的系统，都必须建立在坚实的底层逻辑之上。AICE 系统的基石，就是“认知科学”。 它回答了系统的“为什么”：“为什么这样学最高效？” “我们的大脑究竟是如何工作的？” 如果我们不理解大脑的运行规则，我们所有的努力都可能是低效甚至无效的。我们就像在用“蛮力”对抗“规律”。 而认知科学，就是我们的大脑使用说明书，是整套系统的科学性和权威性的来源。 以下是支撑 AICE 系统的几个核心理论： ### 1. 认知负荷理论 (Cognitive Load Theory)  这个理论告诉我们，大脑的“工作记忆”（类似电脑的“内存”）**极其有限**。当我们试图一次性处理太多信息时，就会“死机”。 **对我们的启发：** 学习设计必须是“小步快跑”。你需要主动管理你的“认知负荷”，尤其是要消灭“无关负荷”（比如花哨的界面、无关的信息）。 而在 AI 时代，**AI 成了我们最好的“减负”工具**。让 AI 去做总结、翻译、提炼，就是为了释放你宝贵的工作记忆，让你能专注于真正需要思考的“核心负荷”。 ### 2. 记忆组块理论 (Chunking)  这个理论解释了“专家”和“新手”的根本区别。专家之所以厉害，不是因为“内存”更大，而是因为他们把大量零散信息“打包”成了更大、更高级的“知识晶体”或“组块”**。 **对我们的启发：** **学习的本质，不是“收藏”信息，而是“构建”组块**。你读完一本书，不应该只是划线，而应该问：“这本书的核心“组块”是什么？” 并用你自己的话把它写下来。这也是我们后面要提到的“卡片学习法”的底层逻辑。 ### 3. 刻意练习理论 (Deliberate Practice)  “一万小时定律”是错的，或者说是不完整的。“重复”不等于“练习”。低水平的重复再久，也成不了专家。 真正的“刻意练习”必须包含三个要素：**明确的目标、极度的专注、即时的反馈**。 **对我们的启发：** 你的学习系统必须是一个“反馈系统”。你必须跳出舒适区，去“做”那些你还不太会做的事，并且立刻得到关于“做得怎么样”的反馈。 在过去，这需要一个昂贵的教练。而在今天，**AI 可以成为你 7x24 小时、不知疲倦的“反馈者”**。 ### 4. 提取效应理论 (Retrieval Practice)  这是最反直觉，也是最重要的理论之一。我们总以为“学习”就是把知识“放进”大脑。但认知科学告诉我们，**“学习”更多发生在你试图把知识“拿出来”的时候**。 **对我们的启发：** **“回忆”比“重读”重要一万倍**。“测试”是最好的学习方式。 你学完一个概念后，应该立刻合上书，问自己：“我能用自己的话把它复述出来吗？” “我能给一个 5 岁的孩子讲明白吗？” 这种“提取”的动作，就是在“固化”你的神经连接。 ### 5. 间隔练习理论 (Spaced Repetition)  著名的“艾宾浩斯遗忘曲线”告诉我们，遗忘是必然的，而且速度飞快。 但我们有对抗它的武器，那就是“间隔练习”。在“即将忘记”的那个时间点进行复习（提取），效率最高。 **对我们的启发：** 学习不是“一锤子买卖”。你的知识系统必须内置“复习”机制。你需要一个“智能”的系统，在恰当的时间把恰当的知识推送给你，让你去“提取”它。 这五大理论，构成了 AICE 系统的坚实“地基”。 ## 三、器：个人知识操作系统  如果说认知科学是“理论”，那么这一层就是“实践”。它回答了系统的“是什么”和“怎么做”。 你需要一个地方来承载你的“输入”和“输出”，你需要一个“硬件”和“软件”来运行你的思考。 这就是你的 **“个人知识操作系统” (Personal Knowledge Operating System, 或 PK-OS)**。 它由三部分构成： ### 1. 硬件：Obsidian 个人知识库  我选择 Obsidian 作为这个“硬件”的载体（当然你也可以用其他双链笔记），因为它基于本地 Markdown 文件、速度快、可塑性强，最重要的是，它天生就是为 AI 而生的。 **工具重要，更重要的是它背后的“方法论”**： * **卡片学习法:** 这就是“组块理论”的最佳实践。我们不再写“一篇”长长的读书笔记，而是用自己的话去“重构”知识，把一个“知识点”、一个“感悟”、一个“模型”写成一张张独立的“卡片”（在 Obsidian 里就是一个个 .md 文件），大量记录，让结构慢慢生长，价值自然涌现。 * **输入/输出工作流:** 你的 PK-OS 必须是“活”的。信息像水一样流进来 (输入)，经过你的处理（卡片、连接），再提纯后流出去 (输出)。**它不是一个“收藏夹”，而是一个“加工厂”**。 ### 2. 软件：多元思维模型库  如果说 Obsidian 知识库里的一张张“卡片”是“数据”，那么“思维模型”就是处理这些“数据”的“算法”。 **没有“算法”的“数据”是死的。** 你的知识库不仅仅是在“堆积”信息，而是在“构建”智慧。 你需要一个“思维模型库”来指导你如何处理和连接这些“卡片”。例如： * 当你记录一张卡片时，可以用 **“第一性原理”** 去拆解它：“这个知识最底层的假设是什么？” * 当你组织多张卡片时，可以用 **“金字塔原理”** 去构建它：“我的核心论点是什么？哪三张卡片在支撑它？” * 当你评估一个决策时，可以用 **“复利效应”** 去判断它：“这件事有长期价值吗？它能“利滚利”吗？” * 当你遇到一个新问题时，可以用 **“类比思维”** 去连接它：“这个问题，在我的知识库里，和哪个领域的问题是相通的？” 这些“思维模型”（算法）让你不再是知识的搬运工，而是知识的“架构师”。 ### 3. 策略：高效学习的核心公式  现在我们有了“硬件”和“软件”，我们需要一个核心“策略”来驱动它们。这个公式，也是对基于认知科学的学习本质的高度提炼： > $高效学习 = 刻意练习 ^ {科学重复}$ 这个公式里有三个关键点： * **刻意练习：** 对应“刻意练习”理论。它决定了你学习的“强度”和“质量”。你必须在反馈中走出舒适区。 * **科学重复：** 对应“间隔重复”与“提取效应”理论。它决定了你学习的“频率”和“效率”。你必须在正确的时间用正确的方式（提取）去复习。 * **指数 (^) 符号：** 这是最关键的。它代表“复利”。当“强度”和“频率”结合起来，你获得的不是线性的“$1+1=2$”的增长，而是非线性的“$1.01^{365}$”的爆发性增长。 这个“核心引擎”层，就是 AICE 系统的主体。 它让你有了一个可靠的“第二大脑”，一个可以不断迭代、不断积累、不断“升值”的个人资产。 ## 四、势：AI 超级杠杆  AI 不是 AICE 系统的一个孤立部分，而是渗透到所有层次的“催化剂”和“放大器”。 **它是我们必须借的“势”。** AI 的作用体现在两个层面： ### 1. 作为“加速器”，放大你已有的能力 AI 可以让你的“认知”和“引擎”运行得快 **10 倍**。 **放大 [理论基石] (认知)：** * **AI 是你的“刻意练习”教练：** 给它一篇你的文章，让它扮演一个挑剔的编辑，给你提供即时反馈。 * **AI 是你的“提取效应”模拟器：** 喂给它一个主题，让它扮演一个苏格拉底式的提问者，不断向你提问，逼迫你“提取”知识。 * **AI 是你的“间隔练习”执行者：** 通过工具，让 AI 帮你自动生成和推送“复习卡片”。 **放大 [核心引擎] (I/O)：** * **AI x 输入：** 你的“信息精炼师”。一篇 1 小时的视频，AI 5 分钟帮你总结好；一篇 50 页的 PDF，AI 3 分钟帮你提炼出核心“组块”。这极大地降低了你的“认知负荷”。 * **AI x 处理：** 你的“灵感连接器”。你可以问 AI：“扫描我的知识库，帮我找出‘系统思维’和‘育儿’这两个主题之间，有哪些我没发现的新连接？” * **AI x 输出：** 你的“创作副驾驶”。帮你头脑风暴、帮你写大纲、搭框架。 ### 2. 作为“赋能者”，解锁你未有的能力 这是 AI 最具革命性的一点，在过去，从“想法”到“产品”之间，有一道巨大的鸿沟，叫做“技术门槛”。 你想做一个网站，得学 HTML；你想分析数据，得学 Python；你想做个工具或产品，得成为一个程序员。 AI 正在彻底填平这道鸿沟。 它让“非专业人士”也能跨越技能鸿沟，实现从“消费者”到“创作者”的**终极身份转变**，未来，人人都可以是程序员。 * **构建工具：** 你现在可以用自然语言指挥 AI：“帮我写一个 Python 脚本，自动整理当前文件夹里所有的 PDF 文件，并按日期重命名。” * **构建自动化工作流：** 你可以让 AI 每天早上 8 点帮你自动抓取感兴趣信息源 24 小时内的重要内容，提取标题、摘要及核心看点，翻译成中文，最后自动发送到你的邮箱。 * **创造产品：** 你作为一个“非技术人员”，现在完全可以借助 AI 编程，在几天内上线一个“小程序”、一个“网站”、一个“付费工具”，去验证你的商业想法。 **AI 不再只是你的“副驾驶”，它正在成为你的“技术合伙人”。** 这让 AICE 系统的“最终产出”发生了质的飞跃。 ## 五、从“高效学习”到“高价值创造”闭环 AICE 框架的最终目标，绝不应止于“成为一个学得更快的人”，而应是 **“成为一个创造更多价值的人”**。 **学习只是过程，创造才是目的。** 这正是 AICE 系统中“输入/输出”的最终闭环。 这个闭环流程是这样的：  ### 1. 输入 利用 AI 作为“加速器”，快速从海量信息（文章、书籍、视频）中获取高质量的“原材料”。 ### 2. 内化 利用“认知科学”原理（组块、提取），在你的“核心引擎”（Obsidian）中，通过“卡片”和“思维模型”，将“原材料”加工成你个人的“知识晶体”。 ### 3. 练习 运用公式：$高效学习 = 刻意练习 ^ {科学重复}$` 将“知识”（你知道什么）内化为“技能”（你能做什么）。这个过程同样可以由 AI 来加速。 ### 4. 创造 这是整套系统的“价值兑现”环节。现在，你的“创造”有了两条路径： * **路径 1：知识型创造 (扩大你的影响力)** 利用 AI 作为“杠杆”，将你内化的“知识晶体”重组、连接，输出为高价值的知识内容。产出示例：一篇深度分析文章、一门课程、一场讲座、一个咨询服务。 * **路径 2：功能型创造 (拓展你的能力)** 利用 AI 作为“赋能者”，将你的“技能”和“知识”转化为可运行的工具或产品。产出示例：一个解决特定痛点的小工具、一个自动化的工作流、一个网页应用。 ### 5. 反馈 飞轮的最后一步。你的“创造”（无论是文章还是工具）被推向了世界，世界会给你“反馈”（无论是点赞、评论，还是付费订阅）。 这些“反馈”本身，就是对你“学习”成果的最终“提取练习”，同时，它们也成为了你下一轮循环的全新“输入”。 飞轮开始旋转了。 > 你学得越多 -> 你创造得越多 -> 你获得的反馈越多 -> 你学得越快。 ## 结语：未来属于“系统构建者”  我们再回到开头的焦虑。 在 AI 时代，**单纯“占有”知识是毫无价值的**，因为 AI 知道得比你多一万倍。 **单纯“掌握”一个孤立的技能也是危险的**，因为 AI 学得比你快一千倍。 未来，真正的核心竞争力只有一种： > **快速学习并构建一个“系统”的能力。** 一个能够持续学习、持续思考、持续创造、并能将 AI 整合进自己生命流程的“系统”。 AICE (AI, Input/Output, Cognition, Expertise) 就是这样一套为你准备的蓝图。 * 它用认知科学 (C) 作为地基，确保你的努力符合大脑规律； * 它用知识系统 (I/O) 作为引擎，为你打造一个可复利的“第二大脑”； * 它用思维模型 (E) 作为算法，让你的大脑能高质量地运转； * 它用人工智能 (A) 作为杠杆，将你系统的每一个环节放大十倍、一百倍。 **不要再做信息的“收藏家”，不要再做 AI 的“旁观者”。** **去成为一个“系统构建者”吧。** 从写下第一张卡片开始，从用 AI 帮你完成第一个“刻意练习”开始。 去搭建属于你自己的 AICE 系统。 **这，就是你在 AI 时代，对抗焦虑、成为一名超级个体的最佳路径。** --- 我正在建立一个相关的付费微信群，在群里会围绕这套框架给大家分享日常的一些实践技巧与案例，也会有不定时的直播分享，感兴趣的可以申请加入，期待更多有趣、深入的讨论！ 注：为了保证交流社群质量，加入群会有一个门槛费用，99 元/人，时长不限！若介意，请勿扰！ 另外，符合下面条件的，可申请折扣或免费加入： 1. 在读学生，29 元/人 2. 以前参加过我在竹白发起的针对小朋友的 dailyup 每日挑战的付费朋友，可免费加入 3. 其它有正当理由，希望折扣或免费加入的朋友  https://dailyup.blog/posts/2025-09-16_blog_2025-programming-deflation/https://dailyup.blog/posts/2025-09-16_blog_2025-programming-deflation/2024 年的年终总结与回顾～Tue, 16 Sep 2025 00:00:00 GMT  原文：[Programming Deflation](https://tidyfirst.substack.com/p/programming-deflation) > 特别认同 Kent Beck 在这篇文章中表述的观点：**未来，专业的程序员岗位一定会减少，但未来人人都将是程序员**。 这个看似矛盾的预测，正好精准地描绘了AI时代的图景。当编程的成本趋近于零，它就不再是一个少数人的专属职业，而是像读写能力一样，成为一项人人都能掌握的基础技能。 ## 当代码变得日益“白菜价” 潘多拉的魔盒已经打开。我们先接受一个前提：**在AI的加持下，软件开发的成本、技术门槛和所需时间正在稳步下降**。（这本身是个很有趣的辩题，但我们改天再聊。） 那么问题来了：这会导致程序员变少，还是变多？ 经济学同时给了我们两个相互矛盾的答案。 - **替代效应 (Substitution effect)** ：替代效应认为我们需要的程序员会变少 ⸺ 因为机器正在取代人类的劳动。 - **杰文斯悖论 (Jevons’ paradox)** ：杰文斯悖论则预测，当某个东西变得更便宜时，它的需求反而会增加，因为价格降低后，它在更多场景下的应用都变得经济划算了。 这两个理论不可能都对。……或者，它们可以？ 我们换个角度来看这个矛盾：如果今天写程序的成本比昨天低，那我们今天就更有理由去写。但是，如果明天写程序的成本会比今天更低，那我们为什么不干脆等到成本降到零呢？这就是所谓的“**通缩螺旋 (deflationary spiral)**” ⸺ 人们倾向于推迟投资，导致经济活动减少，从而导致价格进一步下跌，这又反过来加剧了推迟投资的倾向。 那么，软件公司高管该怎么办？程序员又该怎么办？我们想要的，是一种能满足以下条件的策略： - 让我们今天就能采取行动。 - 不依赖那些根本无法获知的信息。 - 无论未来走向何方，都能带来合理的结果。 ## 等等，这次感觉不一样 传统的通货紧缩之所以具有破坏性，是因为它反映了经济的疲软——需求下降、信心崩溃、货币供应萎缩。而“编程通缩”则不同，它是由实实在在的生产力提升驱动的。**AI不仅仅是在重新分配同一块蛋糕，它正在从根本上让“做蛋糕”这件事本身变得更便宜**。 这就产生了一些有趣的悖论： - **等待 vs. 实验**：没错，你可能会想等待更好的工具出现。但是，当实验成本趋近于零时，“现在就试试”的冲动往往会占上风。我们当中有多少人，只是因为心血来潮，就随手搭建起了一个快速原型？ - **质量两极分化**：廉价代码将充斥市场，其中大部分会是垃圾。但与此同时，这种“大路货”代码和精心打造的软件之间的差距会越拉越大。中间地带将不复存在。 - **价值迁移**：写代码本身将变得像打字一样 ⸺ 成为一项基础技能，而非一个职业。价值将转移到其他地方：理解该构建什么、如何将不同系统组合在一起，以及如何驾驭由无数廉价软件模块组成的复杂世界。 ## 加速效应 正是在这一点上，“编程通缩”彻底打破了传统模型。在经济通缩中，那个螺旋是自我强化且具有破坏性的。但在编程通缩中，**更便宜的工具实际上可能会加速创新** ⸺ 当“编程”本身开始加速“编程”时。更好的工具，更好的模型，一个正向的增强回路就此启动。 **每家小企业都会变成一家软件公司,每个人都会成为一名开发者**。“如果我们试试 ……” 这个想法的成本将趋近于零。 回想1995年，出版业成本高昂，是少数人的特权。后来，它变得免费了。我们得到的出版物变少了吗？恰恰相反。我们迎来了一场内容大爆炸，其中大部分是糟粕，但也有一些是革命性的。 身处螺旋之中，我们该怎么办？ 那么，身处这场通缩之中，我们该做些什么？这里有几点想法： - **拥抱商品化**：大胆使用那些便宜的工具。用AI去构建那些显而易见的东西。把你的精力留给真正困难的问题。 - **专注于集成**：瓶颈不再是编写代码。瓶颈在于如何让所有这些廉价的软件模块协调一致地工作。 - **培养品味**：当任何人都能构建任何东西时，“知道什么值得构建”本身就成了一种核心技能。 - **进行系统性思考**：单个程序已经被商品化了，但复杂、自适应的系统还没有。 ## 新的稀缺品 在一个廉价代码唾手可得的世界里，什么会变得稀缺？**是理解力、判断力、以及洞察各个部分如何组合在一起的能力。是那种知道“什么不该做”的智慧**。 我们正在经历的不仅仅是技术变革，我们正在实时见证软件开发底层经济学的转型。问题不在于“编程通缩”是否会发生——它已经在发生了。真正的问题是，**我们如何适应这个“富足”的时代**。 ## 为未来双向押注 专注于理解力、集成能力和判断力的美妙之处在于：无论未来程序员是变多还是变少，这些技能都至关重要。如果自动化取代了常规的编码工作，这些人类技能将成为你的差异化优势。如果廉价的工具催生了新一波程序员大军，那么这些技能将比一年前更能帮助你从噪音中识别出信号。 **培养判断力，也能让你在面对那些只会用工具更快地堆砌相同功能的竞争者时，处于更有利的位置。** 所以，别费心去预测未来会怎样了。**去培养那些在任何一种未来场景下都能让你茁壮成长的能力吧**。 --- https://dailyup.blog/posts/2025-09-01_blog_ai-is-a-floor-raiser-not-a-ceiling-raiser/https://dailyup.blog/posts/2025-09-01_blog_ai-is-a-floor-raiser-not-a-ceiling-raiser/AI ，让我们重新认识学习曲线Mon, 01 Sep 2025 00:00:00 GMT  原文：[AI is a Floor Raiser, not a Ceiling Raiser](https://elroy.bot/blog/2025/07/29/ai-is-a-floor-raiser-not-a-ceiling-raiser.html "AI is a Floor Raiser, not a Ceiling Raiser") ## 全新的学习曲线 在人工智能出现之前，学习者面临着一个“匹配”难题：学习资源在创建时，通常会预设一个特定的目标受众。这就意味着，作为学习者，你所能找到的资源往往不是最优选择： - 你对`感兴趣的话题`完全是新手，但你对另一个`相关话题`已经有所了解。然而，很难找到能从 `相关话题` 的角度来教你 `感兴趣的话题` 的学习资源。 - 为了有效地学习 `感兴趣的话题`，你其实需要先掌握一个`前置技能`。但作为初学者，你根本不知道在学习 `感兴趣的话题` 之前应该先学这个 `前置技能`。 - 你已经掌握了 `感兴趣的话题` 的基础知识，但遇到了瓶颈期，很难找到合适的资源来突破这个爬升的`中间难点`。 大致来说，随着时间推移，掌握一项技能的过程是这样的：  人工智能之所以能带来颠覆性的学习体验，是因为它能**根据你的技能水平来“定制”教学**。现在，一个人工智能可以根据你的理解水平直接回答问题，甚至能帮你完成那些死记硬背的工作。这彻底改变了学习曲线的形态：  ## 掌握精通：依然很难！ 一个领域的专家往往对人工智能持更多怀疑态度。来自 Hacker News 论坛的一段评论很好地说明了这一点： > “（人工智能）很肤浅。我钻研得越深，就越觉得它用处不大。对我来说，这种感觉来得很快。而且，如果你在研究一个复杂、可能有争议的话题，想让它帮你寻找有声望的或学术性的来源，那更是难上加难。” 考虑到人工智能的训练数据，这个观点是很好理解的。如果一个人工智能的训练语料库包含大量关于某个话题的数据，并且这些数据都大同小异，那么它就能很好地将这些信息综合起来生成结果。但如果这个话题过于**高深**，模型可用的训练数据就会少得多。如果话题存在**争议**，训练数据就会包含相互矛盾的观点。因此，要达到真正的精通，依然非常困难。 ### “作弊”的陷阱 OpenAI 的“学习模式”（Study Mode）暗示了一个潜在问题：你不再需要人工智能来教你，直接向它要答案就行。这意味着，那些作弊的人会在人工智能所能提供的水平上停滞不前。  从长远来看，作弊者在这里是不会成功的！ ## 学习曲线变化带来的影响 技术变革是整个生态系统的变化：有赢家也有输家，而且分布不均。对于人工智能来说，其影响程度取决于**创造一个有影响力的产品需要达到多高的精通水平**。 ### 编程领域：对管理层是福音，对大型代码库则不然 在尝试编写代码时，工程经理们（engineering managers，简称 EM）常常会遇到一个问题：他们知道什么是好的软件原则，也知道什么是不好的软件，但他们并不知道如何使用 **某个框架**。这使得一位后端工程经理很难在业余时间自己写一个 iPhone 应用。 有了人工智能，他们可以快速学习基础知识，并运行简单的应用程序。然后，他们可以利用自己现有的知识**将其完善成一个可行的产品**。人工智能带来的改变在于，它让他们的产品从“不存在”变成了“存在”！  而对于那些在庞大、复杂的代码库中工作的开发者来说，他们的热情就没那么高了。人工智能没有关于特定需求和现有实现的上下文背景，因此帮助有限。  ### 创意领域：你身边的影院不太可能上映 创意工作者对人工智能充满了焦虑：我们很快就会读到人工智能创作的小说，看到人工智能制作的电影吗？ 这不太可能，因为创意领域**竞争极其激烈**，想要在激烈的注意力竞争中取胜，就需要**新颖性**（novelty）。虽然人工智能让生成图像、音频和文本变得更容易了，但它并没有增加人类的眼睛和耳朵的数量（除了少数例外），所以要制作出有竞争力的产品，门槛还是太高了。  **新颖性**是成功创意作品的硬性要求，因为人类非常擅长分辨他们正在看或读的东西，是否是他们以前见过的内容的“衍生物”。这就是为什么，虽然宫崎骏风格的头像曾短暂席卷网络，但它们从未撼动《哈尔的移动城堡》的文化地位。 ### 已有成熟手机应用的领域：影响甚微 有一个领域受到的影响不大，那就是那些已经有专门应用程序来处理的任务。我将重点举两个例子，电子邮件和外卖订餐。人工智能外卖代理和人工智能电影制作人面临着同样的挑战：新产品要想产生影响，门槛已经非常高了。  电子邮件似乎是人工智能大有可为的领域。但如今的电子邮件应用已经提供了各种各样的筛选和整理工具，精通技术的用户可以创建复杂的、个性化的系统，来高效处理和整理收件箱。 **总结**是人工智能的一项核心技能，但在这里帮助不大： - 垃圾邮件已经被悄悄地放进了“垃圾邮件”文件夹。对垃圾邮件的总结，嗯，还是**垃圾**。 - 对于重要的邮件，我**不想要**摘要：人工智能提供的可能不如发件人精心编写的信息具体，我不想冒漏掉重要细节的风险。 外卖订餐也是同理：像 DoorDash 这样的应用已经设计了精密的界面。它们在价格、配料等信息与食物照片之间取得了微妙的平衡。人工智能不太可能创造出比这更快或更周到的界面。 ## 未来已来，只是分布不均 人工智能提升了知识工作的下限，但这种改变并不影响每一个人。这在很大程度上解释了人们对人工智能的反应为何如此大相径庭。对于像我这样的工程经理来说，人工智能极大地改变了我与技术的关系。而另一些人则害怕被取代，心怀不满。还有一些人听着聪明人对人工智能的热情，自己却找不到它的用处，于是认为 **“我肯定是不懂这玩意儿”**。 人工智能并没有取代我们做事的全部方式，但它是一项能力极强的技术。无论你是谁，都值得去尝试，但如果它对你来说似乎没有意义，那很可能就是没有意义，它不适合你。 --- 关于AI的应用与实践，如果你想要交流或分享，欢迎加我，期待更多有趣、深入的讨论！ https://dailyup.blog/posts/2025-03-14_blog_long-termism/https://dailyup.blog/posts/2025-03-14_blog_long-termism/长期主义不仅是一种思维方式，更是一种人生哲学Fri, 14 Mar 2025 00:00:00 GMT  最近在准备一个分享，脑袋里想到曾经看过的一篇文章，想引用一下，但想不起出处了，这是一篇大概五年前看到的文章，那时还没用 `Obsidian` 建立体系化的个人知识库。 最后还是在 [cubox](https://cubox.pro/) 的备份资料库里找到的，2017 年收藏的，尝试点开原始链接，发现原博客已经关掉了，还记得这个博客里的很多文章质量都挺不错，可惜了。 借这件事，聊一聊自己对长期主义的一点思考。 ## 一、什么是长期思维 James Clear 在《原子习惯》中有一段对长期思维的描述："**真正的长期思维是没有目标的思维。不是要达到某个单一的成就，而是要在不断持续的改进中循环提升**。"  这段描述揭示了长期主义的核心：它不是关于设定一个遥远的目标，然后直线前进；**而是建立一个持续改进的系统，让进步成为一种常态**。长期思维不是一次性的马拉松，而是一场没有终点的旅程。 著名投资者 Naval 对智慧有一个挺有意思的定义："**智慧就是知道个人行为的长期后果**"。他认为，用于解决外部问题的智慧其实就是判断力。一个智慧而有判断力的人，首先要知道个人行为的长期后果，然后做出正确的决策并付诸行动。 ## 二、养成长期思维的策略 ### 1. 投资“复利”活动 **识别那些具有复利效应的活动**，例如学习、写作、运动、培养健康习惯等，并持续投入时间和精力。 这些活动任意一项坚持做好都不容易，它们带来的回报可能在短期内不明显，但长期来看将产生巨大价值，慢即是快。 ### 2. 变化中寻找不变 人们往往高估一年可以发生的变化，却低估十年可以发生的变化。**在快速变化的世界中，识别出那些不变的、基础性的事物，坚持下去**。 以学习来说，AI 的飞速发展，一定会带来学习方法的优化、生产效率的提升，然而，我们的大脑仍然是两百万年前定型的大脑，信息再爆炸，工具再丰富，我们大脑的信息处理速度也只有那么快，我们的记忆容量也就那么大，作为一名终生学习者，**花时间去研究我们的大脑是怎么学习、记忆和思考的，这就是从学习上来说的不变和长期主义态度**。 ### 3. 短期牺牲，长期收益 生活中的很多事情都是这样，如果愿意做出短期的牺牲，你就会得到长期的回报。**选择简单模式，人生会越来越困难；选择困难模式，人生会越来越简单**。 比如运动，对一个不经常锻炼的人来说，开始运动的很长一段时间内，大部分的感受都是酸痛、累、枯燥，这就是短期牺牲；一旦长期坚持下来，运动带来多巴胺效应，不简单是身心愉悦，甚至会带来大脑的认知改善，这就是长期收益。 ## 三、观察与实践 如果你有心观察，很容易发现那些践行长期主义的人。  村上春树，作家，实际上他的大部分书都没看过，唯一一本完整看过，也是特别喜欢的书是《当我谈跑步时谈些什么》，这本书看了不下三遍，很对胃口。 村上选择跑步，是因为他觉得跑步与写作的属性很像，而且门槛很低，一双跑鞋就行了。 他这一跑，就是 40 多年，每天 10 公里。村上春树曾说：“**无论何等微不足道的举动，只要日日坚持，从中总会产生出某些类似客观的认知的东西来**。” --- 自己经常关注的几个写作者和思想家，无一例外，多年如一日的维护自己的个人博客，坚持分享自己知识和见解。  [保罗·格雷厄姆（Paul Graham）的博客](https://www.paulgraham.com/) 知名投资人，YC 创始人，《黑客与画家》作者，他的个人博客仍然保留着上世纪的网页风格，你仍然可以看到他在 2000 年前写的文章。 [凯文.凯利（Kevin Kelly）的博客 ](https://kk.org/) 常被称为 KK，未来学家，《连线》杂志第一任主编，《失控》、《必然》等书的作者，同样，你现在还可以在他的博客上看到 2000 年左右的文章。 [阳志平的博客](https://yangzhiping.com/) 人称老阳，最初是从豆瓣上的开智正典推荐好书知道到他的，至今还存了不少他写的好文章，现在你也还可以在他的博客上找到他写于 2002 年的文章。 坚持超过 20 年的写作，这些都是长期主义留下的痕迹。 ---  再举一个自己女儿的例子，女儿快十岁，坚持游泳五年了，身边的朋友都说她游得好。殊不知，她最初游泳的时候，因为身体条件不太好，教练差点看不上。 最初她是自己喜欢才去学的游泳，我们也**希望她能有一项能长期坚持、有所擅长，并能陪伴她一生的运动爱好**，正因为如此，后来和她一起学游泳的同学陆续都放弃了，我们还是鼓励她继续坚持，随着时间的累积，她也游得越来越好，这是时间带来的复利效应，她自己也有成就感了，而且这是她自己努力去获得的，任何人都替代不了。 这样的经历，相信在她慢慢长大的过程中，也会对长期主义带来的改变有自己独特的感受和认知，相应这些认知是可以迁移的。 ## 四、结语 这几年一直在关注 AI 这一块，信息的流速和更迭太快了，快到感觉一不小心就会被时代淘汰掉，这个时候，更需要从思考和实践上去做一些平衡和对冲。在一个越来越注重即时回报的世界里，长期主义可能是最被低估的竞争优势。 **长期主义不仅是一种思维方式，更是一种人生哲学**。 https://dailyup.blog/posts/2025-03-08_blog_ai-best-practice/https://dailyup.blog/posts/2025-03-08_blog_ai-best-practice/AI动手实践：高效提问策略&视觉化输出指南Sat, 08 Mar 2025 00:00:00 GMT # 01 ## 通过AI去学习 > 以前的教育，就像建造一座地基很稳的房屋，而现在呢，教育更应该像是搭建一个帐篷，你可以把它折叠起来，非常容易和迅速地移动到另一个地方。 > -- 《人类简史》作者尤瓦尔.赫拉利，谈未来 20 年的重要技能 从 ChatGPT 到 DeepSeek R1，AI 的进化实在太快了，快得有点跟不上了，碎片化的AI信息铺天盖地，若没点“心理素质”，迎面而来的绝不是机会，而是焦虑。  回想起 2023 年，在一场关于 AI 与教育的分享中有提到过一个自己总结的 AI 时代的能力模型，而我们要做的就是**围绕这个能力模型去建一套高适应性、高敏捷度的框架**。 在这个快速变化的过程中，如何去建立这样一套框架，最终还是会落在学习能力上，所以一直很想多聊点学习相关的事。  刚好，前几天给一些老师做了两场分享，就是教如何写好提示词，如何用好各种工具实实在在帮到日常工作，正好梳理一下，把自己对这些内容的思考分享出来。 文章内会谈到一些工具、方法和技巧，当然可以直接用，但更希望的是**大家能看到背后的思考和学习方法**，授人以渔，这才是目的。 学AI，更是通过AI去学习。 ### 1. 使用 AI 的隐形门槛  使用 AI 的门槛看起来很低，比微信使用还简单，你只要能和别人通过说话交流，就能与 AI 交流。 实际用起来，门槛却不低，也和与人沟通一样，有多少人能拍着胸脯说，自己与人的沟通能力很强呢？ 除此之外，太多的时髦新词、技术用语，各种工具、技巧一大堆，碎片化提示词更是满天飞，看都看不过来，更别说使用了。 从这一点来说，要用好 AI 还挺难的。 > 注：为了描述方便，本文里所说的 AI 主要是指像 DeepSeek / Kimi / ChatGPT 这样的 AI 对话工具。 ### 2. AI 的上限与下限 在聊如何用好 AI 前，首先要认识到的是，决定 AI 输出质量的好坏，主要有下面两个因素： - **大模型的质量决定了输出结果质量的上限** - **使用的人、工具、方法与技巧决定了输出结果质量的下限** 这两个因素都很重要，对于大模型，稍微做点调研，多试用一下，应该就可以有一个基本判断，下面几个是我自己使用过后的感受，各有特色。 - `Deepseek R1` 和 `Kimi 1.5 长思考`，都是推理模型，也很好用，新手推荐 - `Grok 3`，擅长文字写作类要求，个人感觉质量会比前面的两者更高一点 - `Claude sonnet 3.5/3.7`，适合对编码要求较高的场合 - `OpenAI DeepResearch`，借朋友的号用过一次，主题研究能力无敌，但太贵 大模型的话题不是我们讨论的重点，但它是先决条件，如果使用的大模型本身质量不行，再好的方法对结果的质量提升也有限。 除了大模型，剩下的就是靠**自己通过学习，去了解工具、掌握方法与技巧，把下限提高**就好了。 本文的目的是后者，通过两部分的内容帮大家提高一点下限： 1. 第一部分是向AI提问的策略与技巧 2. 第二部分是利用AI去实现视觉化呈现（PPT/思维导图/流程图等）的方法和策略 !!! 友情提醒：这次的内容又是文长、图多，多点耐心，一定要去动手实践！ # 02 ## 向AI提问的策略与技巧  在用 AI 的过程中，经常听朋友说到下面两个问题： 1. AI 的回答没大问题，但细看又平平无奇，并不是我想要的 2. AI 还是会犯错，一本正经的胡说八道这个毛病一直改不掉，不敢用 我通常开玩笑的说，和 AI 会话，先摆正一个态度：**“把它当人看”**。 1. 你和人沟通，是不是需要掌握一些沟通技巧，寻求别人帮助，你也得把事情说清楚，讲明白 2. 是人就会犯错，专家也会犯错误，所以 AI 犯错也正常 事实上，**AI 的回答质量上比大部分人能做到的都好**，它基本上不会答非所问，它的“思考逻辑”也非常清楚，关键是态度还很好，如果是它错了，你告诉它，它也很愿意改。 摆正态度后，再掌握一些策略和技巧，质量就有保证了。下面分享四条使用AI的基本原则。 1. **掌握对话策略**，而不是碎片化的提示词 2. **借助多元思维模型**，打造自己的系统化思维工具箱 3. **善用元问题技巧**，关于问题的问题，不知道如何问，问什么，找 AI 4. **提问是一个迭代的过程**，查看AI思考过程，利用检查清单，持续去改进提问质量 ### 1. 掌握对话策略 网络上，各种提示词框架很多，实际上大同小异，我自己总结了一个 **CTO 策略**，足够简单，一定记得住！  **Context（背景信息）**：背景信息是用户与 AI 沟通的“起跑线”，决定了 AI 对问题的理解深度和准确性。背景信息越详细，AI 越能“对齐”用户的需求，避免误解。 **Task（任务目标）**：任务目标是用户希望 AI 完成的具体工作，直接影响 AI 的行动方向。清晰的任务目标能帮助 AI 聚焦，避免无关或冗余的输出。对于复杂任务，拆解为小步骤是关键。 **Output（输出要求）**：输出要求定义了 AI 返回结果的形式、风格和限制，是确保结果符合预期的关键。结构化的输出比零散罗列更易读、更实用。 #### 提示词示例 举个例子，你和朋友准备去成都玩，想让AI帮推荐几家在市区比较有特色的本地中餐馆。 下面是一个比较直接、简单的提示词：  大家可以试试输出结果，如果对结果不满意，我们可以结合CTO策略改进一下，先问问自己： - **背景信息是什么**，比如：你和你的朋友都是吃货，喜欢美食，就是为了美食去成都的。这里所说的“特色”是指什么？可能是性价比高，苍蝇馆子。 - **任务目标是什么**，比如：找出推荐的排在前 5 名的餐馆。 - **输出要求有哪些**，比如：希望用表格的形式呈现出来，这样看起来更直观。 改进后的提示词如下：  CTO 是一个基本的提问策略，每提一个问，首先从这三个角度去想一想，养成一个习惯，自然而然提问质量就会高了。 ### 2. 借助多元思维模型 上面的 CTO提问策略是一个基本的框架，核心在于清晰沟通，通过结构化的方式让 AI 更高效地理解和执行任务。 不过要得到高质量、甚至超预期的输出，光靠这个框架还不够，有时候还需要借鉴一些“套路”，通常是那些有经验的用户或专家经验积累下来的最佳实践或策略，用这些套路作为 CTO 提问策略的补充，进一步优化输出质量。  要知道一个事实，**你想解决的问题，99% 的可能别人都遇到过，而且解决过**，为什么不借用那些别人积累下的经验（思考模型）呢。 就像查理.芒格说的，对手里拿着铁锤的人来说，所有的问题都像钉子，这也是为什么我们需要从多元思维模型的角度来分析和思考如何解决不同场景的问题。 多元思维模型这个概念源于查理.芒格的《穷查理宝典》，芒格所说的多元思维模型指的是那些分布在各学科领域最基本的思维模型，了解和运用这些模型，可以帮助我们在面临不同问题时去做出更合理的决策和判断。 我们这里所说的思考模型更宽泛一些，就是那些源于不同行业，积累下来的有价值的经验模型。 在以前，我们要了解这些不同业务场景下的经验模型，途径较少，要么看书，要么去寻求有丰富经验的从业者，而有了 AI，这一切简单了很多，AI 本身就是一个经验丰富的“全才”，我们完全可以**通过 AI 去找到这些经验模型，再借助这些经验模型去帮助我们去分析或得到相应的解决方案**。 下图中是一些常见的思考模型，只列了很小一部分，每种模型都有其适用的场景。  #### 模型提示示例 很多人知道金字塔模型，我们就以它为例，结合前面的CTO策略，对一本书进行总结。 > 金字塔模型是一种层次分明、结构化的思考和沟通工具，由麦肯锡公司顾问芭芭拉·明托在1973年提出。它通过将信息组织成金字塔形状，帮助人们更清晰、更有逻辑地表达和传递信息。经常用于写作、汇报及沟通中。  下面是用 CTO 策略，结合金字塔模型来写的提示词，用于对一本书的主要内容进行总结输出。  > 大家猜一猜，这份提示词我是怎么得到的呢？ 大家可以试试去总结一本书，看看效果怎么样，当然，你完全可以结合自己的理解去修改和完善。 下面的截图是用上面的提示词，使用 Deepseek R1（未联网搜索）来输出的结果，只截了其中的一部分内容。  大家可以试试，如果只是简单的写一句：请帮我总结一下《认知天性》这本书的主要内容，看看结果会有什么不同呢。 可能大家会说，我就完全不知道有什么经验模型，那怎么办？没关系，下面的元问题技巧就是为了用来解决这个问题。 ### 3. 善用元问题技巧 **元问题，就是关于问题的问题**。 有些时候，我们确实不知道如何去问，也不知道有哪些经验模型可以借用，尤其是在面对那些我们本身就不太熟悉的领域或问题时。 可以使用元问题技巧，让 AI 告诉你该问什么问题，如何去问，甚至如何给提示词。 #### 元问题示例1 如果你**想深入了解某一主题内容，但不知道应该问什么样的问题**，可以让 AI 给你一些样例。  例如，对于主题"如何写作"，用上面的元问题提问，下面是 AI 给出的回答，是不是挺好的？至少我看之后，对于 “如何写作” 这个主题可能会涉及哪些问题，有一些底了。  #### 元问题示例2 **对于一个不熟悉的领域，想知道有哪些思考模型/经验模型可以用**，可以像下面这样直接让 AI 告诉你。  下面是 AI 的回复，截取了一部分。  我觉得 PREP 模型就不错，接下来，你就可以运用 CTO 提问策略，再结合 PREP 模型帮我们给出一份不错的演讲稿了。 ### 3. 提问是一个迭代的过程 #### 检查清单 与 AI 会话是一个持续迭代的过程，认识到这一点非常重要。遇到输出结果与自己所期待的不一样，我会用类似下面这样的检查清单来帮助我去迭代和改进。 - [ ] 对照 CTO 提问策略，每部分提供的描述信息是否需要补充和调整？ - [ ] 是否有所对应的经验模型可以利用？ - [ ] 换用不同的工具和大模型，对比看看结果是否有自己想要的？ - [ ] 别忘了使用推理模型 + 联网搜索再试试 对于进阶用户，联网搜索，搜索的来源也很重要，搜索中文资料和英文资料也会对结果质量产生比较大的影响，这一点需要注意，尽量选用那些可以自己去配置联网搜索来源的工具和服务。 ### 观察AI的思考过程 刚开始使用 Deepseek R1 时，带来的最大震撼是，它把 AI 的思考过程也展示出来了，**观察这个思考过程，经常会带来一些意想不到的启发，对如何更好的提问，甚至更好的思考也有很大的帮助**。  上图是我在 Grok 中问了一个简单的问题 “如何写好提示词”，Grok 的思考过程一部分截图。 目前支持推理模型，并将思考过程也呈现出来的有下面三个模型，大家都可以去多试试。 - Deepseek R1，第一次让大家看到AI思考过程的推理模型 - Kimi 1.5 长思考，月之暗面推出的推理模型，类似 Deepseek R1 - Grok 3，think 模式，马斯克带领的 x.com 最新推出的模型，大力出奇迹的又一典范 # 03 ## 用AI生成视觉化呈现 自从 AI 开始流行起来，身边的朋友问的最多的也这一块： - 怎么用 AI 做 PPT？ - 怎么用 AI 做思维导图？做流程图？ - 怎么用 AI 做海报？做设计图？ - 怎么用 AI 做视频？ 实话实说，自己这方面的需求并不多，但问到的朋友越来越多，于是做了几次相关的分享，大家都觉得还不错，感觉是帮到了大家，所以接下来聊聊这一块。 和提问的思路是一样的，我们希望**找到一些更通用的策略，而不是零散的去学各种工具和技巧**。 > 关于如何文成图，文生视频，是另外一个大的话题，不在本文讨论范围里，有机会再聊这一块。 ### 中间层转换策略 我们前面提到的都是文本生成模型，简单来说就是最终的输出都是文本，还有一类是多模态生成模型，用于生成图片和视频的一些模型，国外的有 Midjourney，Dall-E 3，国内的有字节的即梦，快手的可灵。 而我们这里讨论的是如何从文本生成到不同的图示生成，主要是利用**中间格式转换**去生成PPT / 思维导图 / 流程图等，中间格式都纯文本格式，由 AI 生成，每种格式有不同的作用。  > 网上也有不少一键生成XXX的应用，但总的来说并不是一种通用的做法，我们讨论的方法会更加灵活一些。另外，随着大模型和工具越来越成熟，以后一定会出现效果很好的一键生成XXX的应用。 快速介绍一下这几种格式。 #### Markdown Markdown 就是一种文档写作的纯文本格式，在文本中多了一些特殊标记，用于最终的排版样式显示，它让我们**更多关注在内容本身的写作上，而不在排版这类形式上**。 Markdown 可以说是当前所有 AI 对话支持的第一语言，所有的文本生成模型都是以 Markdown 为载体，最终带格式渲染出来的。  Markdown 语法很简单，基本上花半个小时就可以掌握，支持 Markdown 的编辑工具也非常多，大家搜索一下，找个自己喜欢的即可。我自己大部分时候用的是`Obsidian` ，需要独立输出时会用到 `Typora`。 借助 Markdown，转换到思维导图，甚至PPT，都很方便。 ##### Markdown → 思维导图 只要是能直接将 Markdown 转换为思维导图的工具就可以，下面两个工具大家可以试试。 - [markmap.js](https://markmap.js.org/repl) - [min2k-markmap](https://www.min2k.com/tools/markmap/) 国内的，可能访问速度会快点 下面是一个简单的例子，我们用 AI 根据一段文字内容生成思维导图大纲，以 Markdown 格式输出。  将生成的 Markdown 源文件复制粘贴到上面两个工具其中的一个，直接就可以得到下面这样的思维导图，还挺漂亮的。  ##### Markdown → PPT 支持从 Markdown 转 PPT 的工具也有不少，试用了一下下，目前推荐的是 [讯飞智文](https://zhiwen.xfyun.cn/) 的 [mindshow](https://www.mindshow.fun/)，两者都支持生成前的大纲修改和生成后的PPT再调整。 > 尽管这两个工具也都支持直接 AI 生成 PPT，还是推荐先使用类似像 DeepSeek R1 或 Kimi 1.5 长思考这样的推理模型来生成内容（方便多轮调整保证输出质量），再复制粘贴过去生成 PPT，毕竟内容的质量还是排在第一位的。 比如用下面的提示词将一本书内容总结成 PPT 大纲，以 Markdown 格式输出。  将输出结果复制粘贴到讯飞智文里（通过文本创建）去生成 PPT。  在生成图文PPT前，你还可以继续调整大纲内容，最终PPT生成出来后，还可以继续在线编辑内容。下面是生成的封面图，细节就不展示了，大家用一下就知道了。  #### Mermaid Mermaid 也是一种纯文本格式，主要用于生成各种图表，我们常见的一些流程图、思维导图、时序图、甘特图都支持。 使用的流程也是：通过 DeepSeek R1 或 Kimi 1.5 长思考按主题要求生成 `mermaid` 格式的内容，再复制粘贴到下面几个工具中去生成最终的图形。 - [mermaidchart.com](https://www.mermaidchart.com/play/) 支持的 `mermaid` 模板格式最丰富 - [excalidraw](https://excalidraw.com/) 手绘效果，比较有特色，模板也较少 - [min2k-mermaid](https://www.min2k.com/tools/mermaid/) 中文的，国内访问速度比较快，但支持的模板较少 我自己经常在描述一段逻辑时会用到流程图，下面是一个简单的例子。 提示词如下：  下面是由 AI 输出的 `mermaid` 代码。 ```mermaid flowchart TD Start[开始] --> Input[输入正整数] Input --> Condition{该数是否为偶数？} Condition -- 是 --> OutputY[输出 'Y'] Condition -- 否 --> OutputN[输出 'N'] OutputY --> End[结束] OutputN --> End ``` 最后在 `mermardchart` 中输出的流程图效果。  又比如，我们现在有一个为期 6 个月的软件开发项目，希望按照敏捷开发的流程排一个交付的时间线图表出来。 借助 DeepSeek R1 来生成，提示词如下：  输出略。将生成的 `mermaid` 文件复制粘贴到 `mermaidchart` 中去，生成的时间线图如下（只截取了一部分），效果也很不错。  需要注意的是：有的同学在生成一些特殊模板的内容时，渲染时会遇到格式错误的问题，建议在生成的时候，可以将该格式的样例附一个在提示词下面，这样生成出来的结果通常就不会出错了。 下面的提示词，帮助幼儿园老师生成一份关于儿童要培养哪些能力的思维导图内容，并以 `mermaid mindmap` 格式输出。  输出略。 将生成的 `mermaid` 源文件复制粘贴到 `mermaidchart` 或 `excalidraw` 里，下面是最终思维导图呈现的效果。  #### SVG SVG格式文件是**可缩放矢量图形文件的缩写**，是一种标准的图形文件类型，本质上也是用纯文本来描述的，既然是纯文本，我们也可以利用 AI 来直接生成 SVG，再用特定的 SVG 工具来浏览最终的结果。 举一个例子，很多人都知道四象限时间管理法，我们可以基于它的定义来生成一幅四象限图，提示词如下：  将生成的 SVG 代码复制粘贴到支持 SVG 预览的工具里，我自己使用是在线工具 svgviewer： - [svgviewer](https://www.svgviewer.dev/) SVG 文件在线预览 渲染出来的结果如下图所示，已经非常不错了。  > 提示：根据描述来生成 SVG 图，目前效果最好的还是 Claude sonnet 3.5 或 3.7。上图就是通过 Claude sonnet 3.7 一次生成的，完全没修改。 #### Code 程序代码本质上也是一种纯文本，因此我们也可以使用 AI 来直接生成代码，而且现在生成代码的大模型也越来越厉害了。 有了代码，能干的事情就多了，可以通过代码生成设计图、生成动画演示视频，甚至可以直接生成应用程序。 下面这个词云图就是用 AI 真正生成的，而且还有交互效果。有一次我在准备分享内容时，希望有一张 AI 能干什么的词云图，当时在网上找了一些可以生成词云的应用，都不是特别好用，就用 AI 做了这么一个小网页应用。无论是内容还是最终的程序，全是用 AI 来生成的，为了达到满意的效果，中间调整了几次，整个过程花了大概 20 分钟，这在 AI 出来之前是无法想像的。  具体如何从 AI 到代码，已超出本文讨论的范围，大家感兴趣的话给我留言，我再来分享这方面的内容。 #### 附：Napkin 生成文字配图 地址：[Napkin](https://app.napkin.ai/) 这个工具比较特别，直接在应用内根据文字内容生成配图，配图有多种形式可选择，还挺不错的，不归于上面的类型，因此单独举例介绍一下。 前面在讲解思考模型时，搜索到一个用于沟通的 SCQA 模型，把 AI 生成的一段关于 SCQA 模型的介绍文字复制粘贴到 Napkin 里去，选中你要生成配图的文字，点击文字右侧的闪电图标，稍等一会就会在文字下方自动生成内容相关的配图。  生成配图时，可以在左侧选择不同的图示模板，模板还是比较丰富的，下面是我根据这段文字生成的一幅配图，配图也支持下载到本地。  # 04 ## 总结 > 未来已来，尚待分布均衡。 > -- 美国作家 William Gibson 当面对 AI 的时候，各种新术语，新工具特别多，而且随时都在变化，可能我这篇文章出来的时候，又有一些更好用的大模型，更好用的工具出来了，但相信背后的一些思考和解决问题的策略就那么一些，并不会有多大变化，希望大家**在学习过程中多思考，从这些不变的入手**，还是在文章开头那句话，**学 AI，更是通过 AI 去学习**！ --- 关于AI的应用与实践，如果你想要交流或分享，欢迎加我，期待更多有趣、深入的讨论！ https://dailyup.blog/posts/2025-02-19_blog_startdeepseek/https://dailyup.blog/posts/2025-02-19_blog_startdeepseek/Deepseek满血版+联网搜索，目前最推荐的使用方式Wed, 19 Feb 2025 00:00:00 GMT  从春节到现在，Deepseek 简直火得一塌糊涂，哪里都能看到它的身影，哪里都听到关于它的各种传说。 Deepseek 火，也有一定的道理，**开源，推理能力出众，性价比高，这三点就够了**（不过也确实没想到火到这种程度，最近各大厂、企事业单位、中小学都在接入 Deepseek了）。 Deepseek 官方网站也因访问量过大经常没办法正常使用，最近身边的很多朋友都在询问我如何才能流畅地使用 Deepseek。干脆写一篇文章讲一讲我目前是如何正常使用 Deepseek R1 满血版的。 提醒一下，这篇文章**不会涉及**到： 1. Deepseek 的各种使用技巧 2. 如何本地部署 Deepseek ## 一、开箱即用的方式 得益于 Deepseek 的影响力，各大厂商都开始把它集成在自家的产品里了。下面这几个产品都支持 Deepseek R1 满血版 + 联网搜索，是目前相对来说比较推荐的，直接可以使用，免费，速度也挺快，对于大部分场景应该是够用了。 1. 秘塔搜索 访问地址：<https://metaso.cn/> > 秘塔是比较早就在用的一个在线 AI 服务，它也是比较早支持 Deepseek R1 的，特点是它的联网搜索功能支持多种搜索范围（学术 / 文库 / 图片 / 播客），推荐。  2. 腾讯元宝 访问地址：<https://yuanbao.tencent.com/>，网页版，直接打开即可使用，需登录。  3. 腾讯 ima.copilot 地址：<https://ima.qq.com/>，这个是客户端或小程序版，客户端需下载到本地安装使用，需登录。  4. 知乎直答 地址：<https://zhida.zhihu.com/>，网页版，特点是支持知识库，加上知乎自身的内容优势，应该有一些特点。  5. 问小白 地址：<https://www.wenxiaobai.com/>，有网页版，也支持客户端  6. 微信 AI 搜索 直接在微信里点击最上面的搜索，如果出来的界面中有 "AI搜索" 字样，就代表你已经可以在微信中直接使用 Deepseek R1 的满血版来搜索了。这应该是目前使用 Deepseek R1 最简单的一种方式。 > 好像现在这项功能还没有针对所有用户开放，不过也应该很快了。  **更新**：AI 领域，无论是大模型还是各类应用，进展都非常快阿，这篇文章出来没几天，又有不少直接支持 Deepseek R1 满血版的工具和应用了，大家自己多关注一下！ ## 二、API + Page Assist 上面几种方式相信已经满足大部分的日常使用了，而且都还免费。 我自己日常使用 Deepseek R1 的方式稍有不同，**采用的是 API + Page Assist 浏览器插件的方式**，这种方式需要一些额外配置，API 也会涉及到一些费用，不过从个人使用的角度来说有下面几点优势： - 支持可配置的联网搜索 - 支持本地知识库 - 更加灵活，方便切换其它大模型 如果你也有这几点诉求，可以按照我下面的手把手教程来进行配置。 ### 1. 准备 API key 目前国内外其实有很多家服务商都在提供 Deepseek R1 的 API 服务支持了。国内的有火山引擎、腾讯云、硅基流动等；国外的有 fireworks.ai、nebius 等。 我自己使用下来，目前最推荐的是国内的火山引擎的提供 API 服务，服务稳定，速度也很快，下面所有的配置也是基于火山引擎提供的服务。 配置会涉及三部分内容： 6. API key 创建 7. 用于聊天的 Deepseek R1 推理接入点 8. 用于知识库的嵌入模型接入点 > 需要注意的，这里所使用的服务后面都会涉及到一定费用，所以大家最好自己评估一下是否适合自己的需求。 为了使用这里提到的所有 API 服务，首先需要注册，登录后还需要进行个人或企业实名认证。 火山引擎官方注册与登录入口：<https://www.volcengine.com/> #### 配置 API key 登录后在右上角选择 “控制台”，进入控制台页面，然后通过最左侧滑出菜单选择 “火山方舟” 进入火山方舟的控制台页面。你也可以直接通过链接：<https://console.volcengine.com/ark/> 进入该页面。 在左侧菜单选择 "API Key 管理" ，点击 "创建 API Key"，根据提示创建 API Key。可以将 API Key 复制下来，后面配置会用到。  #### 配置 Deepseek 推理接入点 仍然在前面的火山方舟控制台页面，左侧菜单选择 “在线推理” → “自定义推理接入点” → “创建推理接入点”。  我们**需要创建两个推理接入点，一个是 Deepseek R1 推理大模型的接入点；一个本地知识库向量化会用到的嵌入模型接入点**。  这里嵌入模型使用的是 `Doubao-embedding-large` 这个模型，对中英文的支持相对来说不错。  在接入点名称下方可以看到一串 `ep-2025` 打头的字符，这是接入点选择的模型 ID 号，也需要记下来，后面会用上。  ### 2. 客户端配置 支持 API 的客户端其实有不少，在网上推荐比较多的是 `Cherry Studio`和`ChatWise`，这两个其实都不错，也都用过，`Cherry Studio` 还用得比较久，但这两个工具对我来说都有一点小问题。 - `Cherry Studio`，支持本地知识库，但不直接支持联网搜索（**更新**：刚发的1.0.0版已支持联网搜索，不过目前只支持 `tavily` 搜索 API ）。如果要联网搜索，可以配合火山引擎的关联应用来配置联网版的 Deepseek R1 API。 - `ChatWise`，工具原生支持联网搜索配置，但客户端需要付费更新到 Pro 才能用。 直接后面遇到 `Page Assist`，一个开源的支持本地 AI 的浏览器插件（没错，`Page Assist` 并非独立的客户端应用），Chrome 和 Edge 浏览器都可以用，目前主力就是用它。 直接搜索引擎或插件市场搜索 `Page Assist` 就可以找到。  > 本文中，我并没有部署使用本地的大模型，如果感兴趣的话可以自己去尝试一下。 安装好后，打开该插件，就像是一个有点普通的支持 AI 会话的网页，我们还需要一些配置才能正常使用。 #### 配置 API 在 `Page Assit` 界面右上方点击齿轮形状的配置按钮，打开配置页面。 左侧菜单栏点选 “OpenAI 兼容 API” → “添加提供商”，填入相关信息。 - 提供商名称：这个可以任意填 - 基础 URL：https://ark.cn-beijing.volces.com/api/v3 - API 密钥：填入在前面创建的 API Key  #### 管理模型 左侧菜单点选 “管理模型” → “添加新模型”，填入模型相关的信息。 - 模型 ID：前面推理接入点列表中模型名称下以 `ep-2025` 开头的一串字符 - 提供商：选择刚刚配置 API 时写的提供商名称 - 模型类型：Deepseek R1 就选聊天模型；Doubao Embedding Large 就选嵌入模型。 注意：我们**需要添加两个新模型**，一个是 Deepseek R1 推理模型，用于会话聊天的；一个是 Doubao Embedding Large 嵌入模型，用于本地知识库向量化的。  #### 配置联网搜索 左侧菜单点选 “一般设置”，打开一般设置页面，在“管理网络搜索”区域选择合适的搜索引擎。 我平时使用的是 `Google`，搜索结果选的 10 条，默认不开启网络搜索，根据自己的需要配置即可。 `Page Assist` 支持多种搜索引擎，还支持一些 AI 搜索的 API 配置，选择不同的搜索引擎，对于联网搜索的结果会有比较大的影响，大家可以自己对比一下。  #### 配置 RAG 如果要用本地知识库，还需要做两项配置，一个是配置文本嵌入模型；一个是创建自己的知识库。 **配置文本嵌入模型** 左侧菜单选择 “RAG 设置”，这里主要是设置文本嵌入模型，选择我们前面在模型管理里配置的嵌入模型，也就是我们前面申请的 `Doubao Embedding Large` 这个模型。  > 注：为了与本地知识库对话，所有上传到本地知识库的资料都需要进行向量化（简单理解就是转换成可以被大模型识别和处理的一种格式），不同的文本嵌入模型会直接影响到向量化的质量，尤其是对中文的处理，对比测试了一下，感觉 `Doubao Embedding Large` 这个嵌入模型对中英文的处理效果整体还不错。 **创建自己的知识库** 左侧菜单选择 “管理知识”，打开管理知识页面，选择 “添加新知识”，然后可以直接上传本地的资料，支持多种格式，我用得最多是 PDF 和 Markdown 文件。 > 直接使用 PDF 就可以，对于一些中文 PDF，如果为了质量更好，可以事先通过第三方工具把 PDF 转成 Markdown 格式，甚至做一些手动调整后，再上传到知识库。  ### 开始使用 上面是一些必要的配置，然后就可以愉快地使用了。 在使用时，选择配置好的推理模型，也可以选择是否开启联网搜索，下面是一个简单的演示，Deepseek R1 + 联网搜索。 提示词： ``` 提取练习对于学习有什么样的帮助？ ``` **Deepseek R1 + 联网搜索**  **本地知识库问答** 要针对本地知识库进行检索问答，需要在输入区域选择并指定知识库，如下图所示。  下面是同样的问题（提示词），但限定通过我的知识库（知识库里是几篇相关的论文）里来检索推理的结果。 从下面思考的过程也可以看出，都是在我自己的本地知识库里检索的。  速度很快，效果也挺好的，而且在下方的引用中，你可以点击对应的 pdf，查看所引用的内容是什么，在 pdf 中哪一页多少行，整个溯源也很方便。 ### 总结 若非极客或中小企业需要提供服务使用，并不建议本地部署 Deepseek R1 模型去使用，对于个人电脑来说，基本上不可能部署 671B 的满血版，而非满血的版本用起来感觉也没太大必要。 另外，**能顺畅用起来只是第一步，如何更好地利用这些 AI 大模型或工具去帮助自己学习和工作才是关键**，其实，哪怕没有 Deepseek，现有的很多其它 AI 服务，也很强大了，如果用好，对于工作和学习也会有很大的帮助。 后面大家感兴趣的话，再多给大家介绍一些我自己使用的一些实践经验。 ### 更新 - Cherry Studio 最新的 1.0.0 版已支持联网搜索，已添加 - 添加了知乎直答，也支持 Deepseek R1，而且直接知识库，效果挺好https://dailyup.blog/posts/2024-11-20_blog_2024-summary/https://dailyup.blog/posts/2024-11-20_blog_2024-summary/2024 年的年终总结与回顾～Wed, 20 Nov 2024 00:00:00 GMT  又快到 2024 年终了，如约，对一年的经历与思考做个总结。 ## 一、关于记录 记录已成为我日常生活中的一部分，对自己来说是一个可以不断丰富与挖掘的知识库。 ### 1. 卡片记录 绝大部分的思考、笔记与闲杂记录均放在 `Obsidian`，`Obsidian` 是我真正的第二大脑，也是我电脑中打开频率最高的工具之一，也沉淀出了一套自己使用 `Obsidian` 进行思考的方式。 到目前为止，在 `Obsidian` 中记录的卡片已经有 3724 张，平均每天 3 ~ 4 张卡片，这个节奏已经比较稳定。  2025 年，除了持续记录卡片外，还想做的一点是，借助 AI 让卡片网络涌现出更多的洞察，产生更多的输出。 ### 2. 代码记录 写代码算是自己的本职工作，因此代码记录本身还是挺重要的，这一年写的代码主要分为三部分。 一部分是**为教学写**的，这部分写得比较多，因为是教学，大多代码比较简单。 下面是目前在 [OneCompiler](https://onecompiler.com/) 写的代码片段数量，以 `C++` 和 `Python` 代码为主， 看起来还是有不少呢。  另一部分是**个人使用**写的，主要是提升自己生产效率的一些小工具，这部分其实代码并不多，没有细做统计，主要是 `Python` 和 `JavaScript / TypeScript` 相关的代码。 最后一部分是**为产品**而写，这部分刚开始，写得不多，希望 2025 年调整重心，在这一块贡献多一点。 ### 3. 视频记录 视频记录分为两部分。 **一部分是上课的视频直播回放**，养成了一个习惯，线上上课都会本地录制做一个记录。统计了一下，一年下来，视频记录竟然超过 150 G 左右了。这部分主要是上课留存，除了备课时去查看前课的内容外，少有去看。 **另一部分是专门录制的精讲视频**，主要是为了学生复习巩固录制的，内容主要是 `Python` 和 `C++` 相关的基础教学视频，更精致一些，一般控制在 20 分钟以内，到目前为止共录制 46 个视频，这部分算是自己积累的重要教学资产之一。 2025 年，把自己觉得有价值的一部分视频公开，希望得到更多的反馈，持续改进！ ### 4. 公众号记录 2023 年开启了公众号「大圣不是圣」写作，**写作是为了帮助自己更好地思考**，同时也希望能借这个桥梁认识更多的朋友。 虽然去年只写了四篇文章，还是收获了一些好评，认识了一些朋友，看来**只要用心去写，总能找到认可你的那部分人**。 从数量上来说，与自己在 2023 年所期待的相差甚远，这当中还有两篇是以前老文的修订版。不过就像最初重启博客写作提到的 (见 [为什么要重新写博客](https://www.dailyup.blog/posts/hello-dailyup))，虽然更新频率没法保证，但能保证的是一直会坚持写下去，想到这一点也就释然了。 在 `Obsidian` 中还躺着至少五篇半成品的文章，争取早点写完发出来。 另外，对于前面发的几篇公号文章，有不少朋友反馈，文章写得还不错，但太长了，建议可以，分为几篇来写，做成系列，或者写得更简短一些，这个问题自己下来还是认真想了想的，这里做个简单说明。 **文章内容短话长说，而不是长话短说，主要原因还是能力不够**。用更简短的文字把想要讲的问题说清楚，还真不容易，在篇幅过长和把问题讲清楚这两点之间做抉择，没办法只能选择先把问题讲清楚了，先把这一点做到。如果后面能力跟上了，再谈简短。 当然，如果有适合做成系列的，按系列分为多篇来写确实不错，这一点我后面也会注意。 大家也多鼓励鼓励我。 ### 5. 信息源/人/书/文 2024 年，还做了一件事，把长期积累和筛选的上述几类做了一个精选，方便自己时常关注，反复阅读，我自己大概这么来分的。 - 精选 16 个信息源。优质信息源至少能保证少些垃圾进来。 - 精选 32 个人物。关注那些有独特的思考和行动的人物。 - 精选 64 篇文章。留存一些有启发，值得反复阅读的好文章。 - 精选 128 本好书。这些经典好书构筑了自己的知识框架。 这些数字除了全是 2 的 N 次方（程序员遗留劣性）外，没什么特别的意义，主要是为了设置一个门槛，当要加内容进去的时候，如果数量已满，会与现有的条目进行一个简单比较，谁留谁去，二选一，长期下来，留下来应该会越来越有价值。 > 说明：暂时不会公开这些精选，毕竟萝卜白菜，各有所爱。但如果你有类似的积累，乐意交换分享 ~ ### 6. 文档资料 2024 年，把这些年教学的一些积累整理了一下，发现竟然有不少内容了，为了方便自己使用，干脆做成了一份自用书，目前超过 500 页了，还是有模有样的。 <img src="https://img.dailyup.xyz/optimized/8208529377325-f4af8dc1-0010-4c94-91fa-7ce01cd2bc5a.png" alt="C++竞赛编程指南" style="width: 300px; height: auto;"> 内页呈现： <img src="https://img.dailyup.xyz/optimized/8208529351662-4e491cae-4c24-4378-9fed-e5bd65820ac7.png" alt="C++竞赛编程指南" style="width: 800px; height: auto;"> 因为是为了教学用，整体难度不高，大概分为上下两部分，第一部分是 C++ 编程基础，第二部分是竞赛算法，等再成熟一点，会公开出来。 ## 二、关于思考  这两年，基本上都是处于独立工作与学习的状态，坏处就不说了，但有一个好处，就是 **独立观察与思考（自省）** 的时间会更多一些。 ### 1. 对学习的思考 面对自己，有了自我的身份；带孩子，有了父亲的身份； 带学生，有了教师的身份。自我、父亲、教师，这三个身份都与教育和学习息息相关，我把教育和学习分开来看，教育是一件复杂的事，还在不断摸索中，谈不好；但学习其实并不是一件特别复杂的事，而且是人人都应该掌握，也能够掌握的一件事。 最近几年，陆续看了大量关于学习科学（Learning Science）的书和文章，有专业的认知科学家写的，也有一线教师写的，也有各个领域的学习达人写的，回头来看，大道至简，学习无外乎 **反复与精进** 两点，难点在于如何去做到反复和精进，2023 和 2024 年，自己的很多尝试和实践也是落在如何去做这方面，有一些经验可以和大家分享。 2025 年，我会尝试写一些文章，希望把如何通过反复与精进去更好的学习这件事讲清楚。 ### 2. 对审视的思考 > 未经审视的生活是不值得过的。 > --- 苏格拉底，出自柏拉图的《对话录》（_Apology_，《申辩篇》） 这句话很早就听过，但没多大感觉，也是近两年，独立思考的机会和体验多一些，再来看这句话，意义会有一些不同了，感触也很深。 其实，我理解的审视也是一种刻意练习，提醒我们在快速变化的外部环境中，通过反思去找到真实的自己，才不会迷失，只有通过持续的自我审视才能理解生命的价值，才能变得更有智慧。隐约觉得有些理解乔布斯那句著名的话了：`Stay hungry, Stay foolish`，不解释，我也解释不清。 纳瓦尔（Naval）在谈自己对冥想的理解时说到，冥想就是观察你自己的大脑，你怎么观察大千世界，你就怎么观察你的内心世界，时常问问自己，为什么我有这样的想法。 就像计算机编程一样，**尽可能在 Debug（调试模式）下运行自己的大脑**，看着指令一条条闪过，在需要关注的指令处停止，观察当前的状态，更改参数，再运行，再观察，直到运行结果「正确」为止。 这样的观察和审视不是从小养成的条件反射，而是一种刻意练习，幻想一些场景，在脑子里模拟和运行，时常审视自己的大脑。 2025 年，通过练习，去养成自我观察和审视的习惯。 ## 三、关于人和事 2024 关注的人和事，见图，不解释 ~    ## 四、关于书和文 > 阅读好书就像在与过去几个世纪最优秀的头脑进行对话。 > --- 勒内.笛卡尔 什么是好书？很难有一个精确的定义，但都有一个特点，随时间流逝，好书的价值衰减是很慢的，好书不多，你愿意反复阅读，并且每次读都能有所启发，这些为数不多的好书构筑了你的整个知识框架。 2024 年，看过的书和文总量并不多，下面选了几本个人觉得不错的 ~ ### 书 豆瓣链接: [计算之魂](https://thoughtworks.zoom.us/j/94998267340) <img src="https://img.dailyup.xyz/optimized/8208529324526-f5b00a88-8ab2-40a0-855a-cb2725b1d689.png" alt="计算之魂" style="width: 300px; height: auto;"> > 在这个世界上，并非所有的问题都是数学问题，即便是数学问题，也并非都可以通过计算机来解决。 这其实是一本科普书，但仍不失深度，对于自己从教学的角度来理解计算思维和算法还是挺有帮助的。 感觉吴军老师近些年来写了好多书，买了一些，但大部分还没看，看过的前一本还是多年前的《数学之美》。 豆瓣链接: [李光耀观天下](https://book.douban.com/subject/26413154/) <img src="https://img.dailyup.xyz/originals/8208529334755-76699f5e-80a6-4547-bf6c-bfcc33d27ad8.jpg" alt="李光耀观天下" style="width: 300px; height: auto;"> > 一个国家的人口结构决定了人民的命运。人口萎缩意味着国家的力量正在减弱。 一直以来，都觉得自己对于政治、历史和文化这些方面是很缺失的，这方面的书也看得很少，知道这本书还是看到有人在推特上强烈推荐，没想到这本书可读性很高，基本上是一口气看完的，看完这本书的感觉是，李光耀才是一位真正的政治家，整本书观点犀利，但很务实，确实很精彩，有这样的领导人，也能理解新加坡为什么发展这么快了。 豆瓣链接: [生活的艺术家](https://book.douban.com/subject/21355964/) <img src="https://img.dailyup.xyz/originals/8208529332007-80589296-c53c-4a2c-bcc7-8f96166fbf83.jpg" alt="生活的艺术家" style="width: 300px; height: auto;"> > 要明白活着就是“活着”，并非“为了什么而活”。 相信很多人对李小龙的认识主要还是在他在电影、武术的贡献上，通过这本书，你可以看到一个完全不一样的李小龙，他称得上是一位生活的哲学家和艺术家。 顺便还去看了另一本他的格言汇编书《生活的哲学》。 豆瓣链接: [芒格之道](https://book.douban.com/subject/36438791/) <img src="https://img.dailyup.xyz/originals/8208529327477-72c06df6-bee3-4bdf-87ca-55565205e501.jpg" alt="芒格之道" style="width: 300px; height: auto;"> > 每过完一天，要努力比早上醒来时更聪明一点点。 这本超级大部头到现在也没看完，只是翻看了其中一部分，芒格经常提到的各种常识：知足、正直、节俭、幽默、多学科思维，在这本书中随处可见，这位跨越近一个世纪的智慧老人在 2013 年离开了人世，但他遗留的这些智慧相信会影响到后来的很多人。 这本书慢慢看，随时可以翻一下。 ### 文 当然，还读过一些好文，列举其中有留存记录的几篇，就不作解释了。 - [Do Things that Don't Scale](https://paulgraham.com/ds.html) - [How can we develop transformative tools for thought?](https://numinous.productions/ttft/#executable-books) - [How Might We Learn?](https://andymatuschak.org/hmwl/) - [My Vision: A Forgotten History](https://medium.com/heptabase/my-vision-a-forgotten-history-67ee77e969da#5911) - [Simple Made Easy](https://dirtysalt.github.io/html/simple-made-easy.html) ## 五、2025 期待  翻看了一下 2023 总结中对 2024 的期待，发现其实没多大变化，一方面说明 2024 年没干成啥事，这些期待都还留着；另一方面安慰自己，从关注长期价值这一点来说，一直还在坚持。 2025，对家庭，好好挣钱养家，言行上给孩子做个好榜样！对自己，踏踏实实过好每一天，身心更健康一点！对其它所有事，Peace & Love 多一点 ~ --- ## 附：关于时间感知  时间如梭，身边的人都有这个感觉，随着年龄的增长，感觉时间过得是越来越快，为此，还专门去查了一些资料，想知道这样的「感觉」是否有一些较为科学的解释，还真有，关于时间的感知在心理学、神经科学和认知科学上都有一些相关的研究。 大概有下面这几种解释： 1. **比例时间假说** 时间感知与人生经历的总长度相关，你在 5 岁时，一年占据了你生命的五分之一，感觉是一段很长的时间；而当你到 50 岁时，一年仅占生命的五十分之一，在整体比例中显得短得很多，因此觉得时间过得很快。 2. **生物学节律的变化** 人体的生理节奏可能随着年龄变化，从而影响时间感，随着年龄增长，多巴胺水平也会下降，而多巴胺在时间感知中也起着关键的作用。 另外，代谢率降低与神经递质的活动减缓也可能会影响对时间流逝的感知，让时间感显得更短。 3. **新奇感与记忆密度** 人的大脑对新奇事件更加敏感，新的体验会在记中留下更多的痕迹。年轻时，经历的新事物较多，记忆丰富，感觉时间「充实而缓慢」，随着年龄的增长，生活逐渐趋于单调和习惯化，记忆中新信息减少，人类的大脑会对熟悉的情景进行快速编码，减少对细节的关注，重复与忙碌让人无瑕感知时间，回想时自然觉得时间过得很快。 对于这些理论并没有去做更细致地研究，但大致有一些判断，可以去尝试并做出一些改变。 1. **坚持运动与锻炼**，运动可以刺激大脑释放多巴胺，多巴胺的释放不仅会让人感到愉悦，减轻压力和焦虑，运动本身对于提升代谢率和神经递质的活动也有帮助。 2. **尽可能去尝试一些新事情、多一些新体验**，减少生活中那些单调与重复的习惯化事物。 2024 再见，2025，让时间过得慢一点 ⏳ ~ ## 关联 - [2023 年终总结](https://www.dailyup.blog/posts/2023-summary) https://dailyup.blog/posts/2024-03-14_blog_ai-education/https://dailyup.blog/posts/2024-03-14_blog_ai-education/重新思考我们的学习和教育，在 AI 时代，我们该如何应对？Thu, 14 Mar 2024 00:00:00 GMT > 本文为作者原创，欢迎分享，若需转载请联系微信（ddupxyz），谢谢！ 关注我的朋友知道，我是做青少年编程教育的，简单来说就是教孩子学习编程的，做得比较早，前几年少儿编程赛道开始火之前就在做了，这两年冷下来了还是在做。 最近陆续有一些家长也在问我，**听说现在 AI 都自己会写程序了，程序员都要失业了，孩子还有必要学习编程吗？**  这个问题很具体，但其实很好，它促使我思考了好一段时间，我自己也是两个孩子的爸爸，除了关心自己的学习与工作，也会关心孩子的未来教育，接下来将最近的一些思考和大家聊聊，也希望能从个人角度回答下面两个问题？ 1. **AI时代，未来的学习和教育会有什么改变？** 2. **当下，孩子还有必要学习编程吗？** 要回答这两个问题，我们需要稍微梳理一下，尤其是 ChatGPT 的出现，带来了什么样的影响？ **短话长说**。 ## 一、ChatGPT 是什么  简单来说，ChatGPT 是由一家美国的公司 OpenAI 开发的一款聊天应用工具，你可以问它任何问题，就像你在和一个什么都懂的人聊天一样，使用起来很简单，但功能非常强大。 它之所以功能强大，是因为背后有一个叫 GPT 的大语言模型技术在发挥作用，所以首先要区分一下，**GPT 是一个大语言模型技术，而 ChatGPT 是基于这个技术推出的一个具体应用**。  那什么是 GPT 呢？它更专业的称呼是**生成式预训练模型（Generative Pre-trained Transformer）**，具体它的实现大家可以不用那么关心（我也不太明白），简单来理解可以把 GPT 看作是一个黑盒子，你给它一句话，它可以在内部帮你计算出这句话接下来可能出现的不同词的概率，然后根据设定的规则来输出接下来会出现的词。 下图一个简单的示意图。  至于最终是输出哪个词，这和你设定的参数有关，如果需要精确，就直接按出现的概率高低来接下面的词，如果需要多一点创造性，就修改参数设定，把精确度下调一点，它就会接其它一些概念低一点的词。 对于理解本篇文章的内容，大致理解这么多就够了。 ## 二、ChatGPT 为什么影响这么大 可能大家在网络上也有听到过一些名人对 ChatGPT 所带来影响的言论。 原本不看好 ChatGPT 的微软创始人比尔.盖茨，现在将 ChatGPT 与互联网的发明相提并论；英伟达 CEO 黄仁勋称 ChatGPT 的出现是 AI 的 「iPhone时刻」；更有一些人将 ChatGPT 看作与印刷术、电力一样的伟大发明。 事实上，从 ChatGPT 出现后的一些数据来看，确实很了不起，它的用户数 2 天就达到 100 万，2 个月达到 1 亿，2023 年 5 月在上架苹果应用商店后，很快就冲上了免费 App 榜榜首。 ChatGPT 这么火背后的原因是什么？个人认为大致有下面两个原因。 ### 1. 打破了人与机器交流的屏障 在 ChatGPT 出现之前，人与计算机的直接交流基本上是通过各种「非正常」的人类操作来完成的，像鼠标单击、双击，框选等，这些操作在人们的日常生活中并不存在，它们是为了与计算机更好的沟通被专门发明出来的交互操作，**在这个阶段，人类实际上是在被迫学习和适应机器的范式**。  而在 ChatGPT 出现后，人类可以通过自然语言直接与计算机交流了，上图是 ChatGPT 刚出来时的界面（现在也差不多），使用非常简单，甚至比大家日常在用的微信操作起来还要简单，你可以把它当作一个「人」来看待就行了，它可以理解你日常说的话，哪怕有些话你自己都没描述得特别通畅，它也能理解。 在这个阶段，**计算机在学习和理解人类的自然语言，实际上它在适应人类的范式，人与计算机的交流屏障被打破了，任何人，只要有基本的沟通和表达能力，就可以与计算机交流**，而在之前，很多沟通与交流需要专业的技术人员才能实现，这是一个巨大的进步。 ### 2. 第一次通用智能的出现 AI（人工智能）的发展也有很多年了，在工业领域已经被广泛使用的各种工业机器人，自动驾驶汽车，还有像 2017 年，由 Google 旗下公司 DeepMind 开发的 AlphaGo ，当时还击败了世界冠军柯洁，这些都是人工智能应用，但为什么它们都没有像 ChatGPT 影响这样广泛呢？ 这是因为**这些都是某一特定领域的专用人工智能，离普通大众的日常生活其实很远，而 ChatGPT 的出现，首次让人们感觉到了通用智能的到来**。就像第一台电子计算机被制造出来时，它的使用者都是一些科学家，服务对象也是像导弹路径计算这样的专业领域；而个人计算机的出现，直接把计算机带入到每个家庭，其应用范围也深入到每个人的日常生活。  使用过 ChatGPT 的人都知道，**它不并限于特定领域，你可以与它交流任何领域相关的内容**，2023 年 3 月对外发布的 GPT-4 在抽象、理解、视觉、编程、数学、医学、法律、理解人类动机和情感等领域都表现出色，在很多考试中都能排进前 10%，让它去参加考试，甚至能考进像斯坦福这样的顶尖大学，人工智能真正走进了普通大众的生活。 GPT 的出现，也让本是复杂科学领域的「涌现」一词进入了大众视野，它的内部结构与大脑的神经元的构成非常类似，人的大脑有 1000 亿神经元，这些神经元的链接网络造就了人的智慧；**而 GPT 的参数就像大脑的神经元链接，当这些参数达到一个量级（一些公开资料显示超过 650 亿参数）就会涌现出智能**，神奇的是，到目前为止，还没有人能完全清晰的解释，为什么会有这样的涌现出现，这种现象在「科学」领域也属罕见。 ## 三、重新思考学习与教育 先给大家讲一个真实的故事，疫情期间某一天，在一个群里突然有位群友发了一个大红包，原来是她的儿子考上了一所国内非常知名的中学，大家在恭喜她的同时希望她传授点育儿经验，这位妈妈的回答令人意想不到，她实际也没有做什么，疫情期间，她和孩子的爸爸每天都还是要在家远程办公，儿子的学习上也帮不上忙。 后来在与儿子沟通时，儿子说：这得**多亏了疫情**，儿子讲了讲为什么这么说。  这位同学在学校的成绩中偏上吧，按成绩来说绝对考不上那所知名中学，遇上疫情后只能在家学习，除了部分网课外，时间都是自己安排，这下他感觉一下子如鱼得水了，以前在学校，每天的学习安排非常固定，每堂课 45 分钟，上一两或两堂，立马切换到另外一门学科，自习课大多是做试卷或老师评讲试卷。 实际上，**他特别不习惯这样的学习节奏，他希望自己来安排学习内容，按自己的节奏来学习**，今天想集中学习数学，可能就会花比较多的时间在数学上，这个时段想看看书就去选一本喜欢的书看看，以前在学校就没办法，疫情在家就不同了，他基本上都可以自由安排自己的学习内容和节奏，学习效率反而一下就上来了。 疫情反复，对大多数孩子和家长来说，都是一段非常难熬的时间，很多孩子学习成绩也不断下滑，而这位同学的成绩却在不断提升，这一上一下，加上考试发挥得好，考入了以前都不敢想的学校。 这件不大的事对我的触动非常大，其实从另外一个侧面反映出当前学校教育的一些问题，**当面对不确定的因素（疫情）出现时，对于在接受教育的这些孩子来说，什么样的能力才是更重要的**。 过去的一年，AI 领域发生的事甚至比十年发生带来的变化都大，随着 AI 的出现，语言与知识不再是壁垒，人与知识之间的距离也变得越来越短，我们唯一能做的，就是**通过学习去对抗这种未来的不确性**。这一点与前面故事中遇到的疫情（不确定因素）类似。 那我们应该学些什么呢，什么样的知识和能力才是重要的呢？ ### 1. 当下 AI 的优劣 > 我不担心机器会像人一样思考，机器让人的工作更有价值，更有尊严。人有灵魂、信仰、价值观，有自信可控制机器。但我担心人像机器一样思考。 > --- 蒂姆.库克 当面对一个新的范式转移时，很多时候归纳法就失效了，因为没那么多经验可借鉴，我们只有回到源头，重新来看，AI有哪些优势和短板，我们人类有哪些优势和短板，这也算是另外一种知彼知已，才可能百战不殆。  目前 AI 的优势大致有这几点： 1. **涵盖了几乎所有人类生产的知识**。只要你愿意，就有办法从它那里去获取到。 2. **天生强大的逻辑与语言能力**。编故事的能力一流，一本正经的胡说八道比人还厉害。 3. **迭代与更新的速度很快**。对于 GPT 来说，几个月的能力提升可能相当于人学了十多年的成果。 目前 AI 的短板： 1. 真正的创造力（原创）还比较弱。 2. 暂还不具备独立思考与判断的能力。 3. 缺乏人类所特有的共情能力。 知彼知已，才能扬长避短，我们应该专注于人类更擅长的部分工作。 ### 2. 传统教育的问题 > 布鲁姆分类法（Bloom's Taxonomy）是由美国教育心理学家本杰明·布鲁姆（Benjamin Bloom）在1956年首次提出的，下面引用的是 2001 年经修订后的版本。布鲁姆分类法不仅可能帮助教师明确教学目标，也为学生提供了一个清晰的学习路径，从基础的记忆和理解，到更高层次的评估和创造。 借用布鲁姆分类法来看看我们当前教育所存在的问题。  我们可以简单的将布鲁姆分类法中的六层目标划分为两个层次：**下面三层可称为低阶思维能力；上面三层是高阶思维能力**。 我们传统教育目标中比较侧重的，也算是我们比较擅长的（大量背诵、刷题与考试），正是在下面三层，也就是对低阶思维能力的培养。 尴尬的是，**我们所擅长的这些低阶思维能力，也恰恰是 GPT 非常擅长的，而且比我们做得更好**。而上面三层的高阶思维能力，是当下 GPT 还不太擅长的，但这部分也正好是我们当下的教育所欠缺的，我们更不擅长。  问题来了，面对这样的现状，我们如何应对？ ## 四、AI时代的学习能力模型 > 教育首要的目标永远应该是对独立思考和判断的总体能力的培养，而不是获取特定的知识。 > --- 爱因斯坦，在纪念美国高等教育 300 年的会议上发表的演讲中提到 毋庸置疑，未来很长一段时间，将会是人与 AI 共同进化的状态。明智的做法是，**AI 擅长的归 AI，人类擅长的归人类**。  见上图，尝试对 AI 时代的学习能力做了一个简单梳理和重新划分。 ### 1. 知识层 这一层包括**常识、核心学科知识和跨学科知识**。 **核心学科知识**，涵盖了数学、物理、文学等基础学科的专业知识，是我们深入理解世界的基础，这也我们当前学校教育的主要内容，实际上也是传统教育唯一侧重的内容。 **跨学科融合知识**，强调不同学科间的联系和综合应用。在我们的教育中，虽然很早就在提了，但实施得一点都不好，一方面，我们的考试选拔基本上还是按不同学科来进行的，不同的学科，从出生起就打上了高低贵贱的标签，这就决定了跨学科融合这个新物种很难出现在舞台中央；另一方面，跨学科融合，除了需要教师具备跨学科协作的思维外，更是需要学校从内部的组织结构与管理上做出根本性调整，这一点在当下也很难实现。 **常识**，就是那些我们每个人都应该掌握却没有掌握的那些知识，比如生活技能、社会与文化 规则等，这在我们的传统教育课程里也基本上没有，然而这些常识对每个人都很重要。 在知识这一层，GPT 可以快速提供全面、准确的学科知识以及跨学科知识融合帮助，甚至常识也可以借助 GPT 来获取，这将极大的提升我们在知识层的学习效率。我们在获取这些知识后，需要做的就是学会将这些知识与现实世界的问题联系起来，应用于实际情境，进行创造性思考和问题解决。 ### 2. 素养层 这一层包括**科技素养**与**人文素养**两方面。这对我们认识与理解当下这个时代与社会非常重要，人如何更好的理解和运用科技，在人类与 AI 共同进化的过程中，如何处理不同文化之间的冲突，如何处理科技与道德伦理之间的关系，甚至人与人之间的关系，都是非常重要的。 AI 可以为我们提供丰富的信息和案例，帮助我们去了解科技与人文，但人类的判断与决策、审美体验以及文化理解，是 AI 很难去替代和加速的。 ### 3. 元认知层 这一层包括**独立思考、批判性思考和学习如何学习**三方面。 就像前面提到的，在瞬息万变的 AI 时代，人类的独立与批判性思考才是最重要的，AI 可以为我们提供丰富的学习资源和数据，但人类需要通过自己的筛选和过滤，从而做出判断，这也是人与 AI 最大的不同所在。 当然，人与 AI 的共同进化，我们并没有太多经验可循，更多的是需要我们去学习、去反思，培养和锻炼学习的能力，养成终生学习的习惯，这样才能适应未来不确定性因素带来的挑战。 ## 五、AI 时代的教育模式 正如历史上教育模式的演变一样，**每一次技术革命和范式转移，都伴随着教育的适应性转变**。 ### 1. 教育模式的演变  在农业社会，教育如同手工作坊，是一种精英化的私塾教育，这种教育有点像定制的手工艺术品，学生是独一无二的，教育方法和内容都高度个性化。但**教育资源稀缺，只有极少数人能够享受到受教育的机会**。 随着工业革命的到来，为了适应工厂对工人的大量需求，教育转变为大规模生产模式，学生类似流水线上的标准化产品，一批批从「知识工厂」被制造出来，送往工厂，这种教育模式虽然提高了教育的普及率，但**忽视了个体差异，也很难有对创新和创造力的培养**。 AI 时代，标志着教育的个性化与自主化的到来。知识的传递不再局限于传统的教师和学生之间，任何人都可以借助网络和 AI 去获取或分享自己的知识和技能，做学生的同时，也可以当老师。学习也不再限于传统的教室，内容实现真正个性化，互动与反馈也更加实时。 ### 2. 终身学习成为常态 《人类简史》作者，以色列历史学家尤瓦尔·赫拉在接受采访时，当被问到未来 20 年最重要的技能是什么时，他讲到，**我们每个人都需要有一种不断蜕变、不断革新和重塑自我的能力，终身学习将成为一种常态**。  尤瓦尔做了一个有意思的类比，以前的教育，就像建造一座地基很稳的房屋，学习到的知识，培养的能力和积累的经验变化不大；而现在呢，无论是知识、能力还是经验，都是在快速变化中，教育更像是要建造一个帐篷，你可以随时把它折叠起来，能够快速的移动到另一个地方。 ## 六、我们可以做些什么 > 未来已来，尚待分布均衡。 > --- 美国作家 William Gibson AI 时代已经拉开序幕，我们唯一能做的就是去了解它，拥抱它。 总体原则是：**从新的学习能力模型三个层次来思考，学会如何学习，从房屋到帐篷，构建一套高适应、高敏捷度的思考与学习框架！** 短期来看，借助 GPT 这样的 AI 技术和工具，为自己赋能，提升学习与工作效率；长期来看，多思考，去建立自己独特的个性化原创优势。 当然，最关键的是，**立即行动起来，积极拥抱 AI，认知与洞见不会凭空产生，都是在行动的过程中逐步建立起来的**。 ## 附：我对学习编程的一点看法  这个问题很具体，很容易引来争议，既然是个人观点，我会尽可能将结论与缘由表达清楚，关心这个话题的朋友可以根据自己的认知来做出判断。 当身边的朋友在问我对于学习编程的态度时，我都会明确地告诉他们，**对于现在的孩子，学一点编程是很好的，学习编程并不是要让他（她）们去当程序员或工程师，而是让他们通过学习这门比英语还要通用的语言技能，去更好的认识和理解这个世界**。 不可否认的是，我们**当下的世界在很大程度上就是一个由程序和算法驱动的世界**，伴随 AI 的发展，这个程度还在不断加强。我相信，在当下的数字时代和未来的AI时代，编程会像阅读、算术和写作一样，是每个人应该学习的内容。 > 我自己也在带着我 9 岁的女儿学习编程，玩过一点 Scratch，目前在学习 Python。 ### 1. 此编程非彼编程 > 学习编程，更是通过编程去学习。 首先需要说明的是，当我们在谈编程学习的时候，我们到底谈的是什么？我不是简单的谈 Scratch、Python，或者 C++ 这样的编程语言，我们**更多是在谈背后的逻辑、计算思维和解决问题的能力**。 诚然，我们要以某种具体的语言为载体，但这不是最重要的，语言上带来的差异远不及中文与英文，或与法文这样的不同语言之间的差异。 > 说到具体语言，以 Python 与 C++ 为例，尽管从工程的角度来看，这两门语言差异挺大的，但对于孩子学习编程来说，差异也没想像的那么大，工程中会涉及到的一些复杂度，比如这两门语言中的面向对象设计，Python中的装饰器、闭包、垃圾回收机制、C++ 中的内联、重载、动态内存分配等，这些内容基本上在青少年学习编程中都不会涉及到，他们主要学的是这些语言中更通用、用于表达逻辑的核心部分，掌握些内容，就可以去实现很多甚至有难度的算法了。 以 Python 这样的纯代码编程语言为例，我在带孩子学习的过程，至少有几点体会： 1. **孩子是可以学会使用的**。很多成人觉得自己学不会，不代表孩子不行。 2. **对英语学习有一定帮助**。毕竟目前的代码绝大部分是由英文单词或缩写组成的。 3. **有助于增强对一些数学知识的理解**。数学往往过于抽象，而通过编程可以把抽象的符号具体表达出来，并用于解决问题。 4. **学会从算法的角度去思考和解决问题**。 在 AI 时代，程序员这个职业可能会慢慢消失，像 Python、C++ 这些编程语言也可能会消失，但一定会有更高级的形式（比如自然语言）用于描述和表达逻辑，现实中存在需要解决的问题不会减少，人人都是程序员还真有可能。 参考： 之前写过一篇关于编程与数学关系的文章： [当数学遇上编程，所有的边界都打破了](https://www.dailyup.blog/posts/math-meet-programming)  另外，强烈推荐西摩.佩珀特（Seymour Papert）所著的[《因计算机而强大-计算机如何改变我们的思考与学习》](https://book.douban.com/subject/30418117/)一书，这本 30 年前的书到今天来看也不过时，我自己也受本书的启发非常大。 ### 2. 学什么，什么时候学 每个孩子的成长花期都有所不同，有的快点，有的慢点，关系并不大。**学习应该是低门槛、高天花板的一件事**。慢点的孩子能跟得上，快些的孩子也有空间持续向前。 总的来说，如果要学，我的建议是刚开始可以玩玩 ScratchJr 或 Scratch3，再过渡到 Python，如果确实有参加竞赛的需求，可以考虑过渡到 C++。 > 竞赛有竞赛的规则，如果要在国内参加信息学竞赛，目前只支持 C++，要去参加，就得学；另外，这个比赛一年只有一次，如果要想取得什么样的成绩，就得倒过来推算，看你的时间及投入合不合适。 另外，如果时间允许，了解一些计算机相关的历史与知识，学会用一些 AI 工具，如果能将它们用到自己的学习当中并帮到自己，最好不过了。 简单总结一下，个人建议是学一学编程，不学也不是一个什么大不了的事。但在选择学或不学的时候，**多深入了解一下，找到这中间变与不变的因素，结合自身的情况，做出自己的判断，不要被网络上的各种信息所影响**，大佬们所讲的无论正面的或负面的，都有其上下文背景，如果不加思考就下判断就只能靠撞运气了。 --- ## 附：联系反馈 关于本篇文章，如果你有更多的想法希望交流或分享，欢迎联系我，聊一聊，期待有更多深入的讨论！ 本文章也会保持持续更新～ 欢迎大家关注！  https://dailyup.blog/posts/2023-12-29_blog_switch-to-raycast/https://dailyup.blog/posts/2023-12-29_blog_switch-to-raycast/花了一小时，正式从 Alfred 切换到 Raycast。Fri, 29 Dec 2023 00:00:00 GMT 花了一小时，正式从 [Alfred](https://alfred.app/) 切换到 [Raycast](https://www.raycast.com/)。 查了一下，是从 2013 年开始用的 Alfred，当时公司可以报销 License 费用，还购买了 Powerpack，竟然有十年了。 ## Why **若无必要，勿增实体**。Alfred 一直用得挺好，为什么要切换呢？  前段时间在 Twitter 看到 DHH 发的一条信息，当时就有心想试试，一直没抽出时间，年底了，准备给电脑做个「大扫除」，正好就试试。 **试了五分钟，切换一小时**，几乎没有浪费时间去折腾，哪怕是第三方扩展也快速就敲定了。 切换最主要的原因是，方便了一些，**切换成本也很低，之前使用 Alfred 能完成的，在 Raycast 也都能完成，之前一些通过第三方工具才能完成的，通过 Raycast 也可以完成**，关键是切换前后的使用习惯基本上没改变。 关键还是免费，没有理由不切换（付费的 Pro 功能自己选择，我自己要用的几乎所有功能，免费版都可以完成了）。 下面聊聊几个我安装 Raycast 后的常用配置，⌘ + 空格，走起 ～ > 和以前用 Alfred 的习惯保持一致，我把打开 Raycast 的全局快捷键修改成了 `⌘ + 空格` ## 文件搜索 打开 Raycast 后，在输入栏输入 `Search Files`（我设置了别名 `sf`）就可以搜索普通文件了，但需要注意的是，Raycast **默认是按文件名和内容来搜索的**，所以经常感觉找不到想要的文件。 我们在设置**更改为按文件名来搜索**就可以了。  ## Snippet 管理 Snippet 这个功能在日常工作中使用频率很高，必不可少，之前一直使用的是 Alfred 内置的 Snippet 来管理的，配置了一些常用的快捷文字内容，顺便清理一下，用了与之前在 Alfred 同样的快捷键，使用上感觉不到任何区别。  ## 剪辑板管理 之前一直用的 [Paste](https://pasteapp.io/) 进行剪贴板历史管理，尽管 Alfred 内置也有这个功能，但有点没用习惯。 Raycast 也内置了剪贴板历史管理，但 Raycast 比较厉害的一点是，几乎所有功能操作的使用体验都是一致的，打开 **Raycast → 选择功能命令 → 过滤到某个具体的操作或 ⌘ + k 直接操作**，习惯这个流程后，几乎没有其它的学习成本。 ## 窗口布局管理 在之前，我一直是用的 [Moom](https://manytricks.com/moom/) 来管理窗口的，也是用了很多年，好像是当时搞优惠购买的，现在 Raycast 直接内置了窗口管理的功能，也挺好用的，直接把常用的几种窗口布局配置了与之前使用 Moom 时同样的快捷键，丝滑切换，少安装一个工具了。 ## 生成代码截图 之前也用 [ray.so](https://ray.so/) 生成代码截图，方便分享，现在 Raycast 整合得也好（毕竟都是自家的服务）。  ## 图像处理 日常工作中，经常有一些简单图像处理的需求，如**更改图片大小**、**转换图片格式**等。以前在 Alfred 也是通过好几个插件来完成的，有点麻烦，切换到 Raycast 后，Store 中的 [Image Modification](https://www.raycast.com/HelloImSteven/sips) 扩展很好用，常见的处理需求都可以完成了。 例如，要将一张本地图像缩放到 1000 像素的宽度，几个简单步骤就可以完成 - 在 Finder 中选择图像 - ⌘ + k 呼出 Raycast - 输入 「re」，即可出现 「Resize Image」命令，Tab 后填入宽度，敲回车，本地的图片已经处理好了  另外，安装扩展 [TinyPNG](https://www.raycast.com/kawamataryo/tinypng)，一并把图片压缩的问题也解决了（需要配置 tinypng 的 API key）。 ## Obsidian 集成 这是意外发现，在 Raycast Store 里发现有一个 [Obsidian 扩展](https://www.raycast.com/KevinBatdorf/obsidian)，常见的笔记操作功能都有了。 我最常用的就两个，一个是**笔记搜索（Search Note）**，一个是**笔记漫游（Random Note）**，为这两个命令配置了别名，挺方便的。  ## 卸载软件 以前卸载软件用的是免费的 [App Cleaner](https://freemacsoft.net/appcleaner/)，Raycast 也内置了卸载功能，而使用非常方便，好吧，顺便把 App Cleaner 这个第三方卸载工具也卸载了😂。 ## 其它功能 还有一些杂七杂八的功能，日常也在用，就不细说了，留给大家自己去探索！ - 系统功能控制（如调整音量、锁屏、切换应用等） - Emoji 表情符号搜索 - 快捷链接（Quicklinks） - 浏览器收藏夹链接快捷打开 至于很多人都在说的 Raycast AI，听说很好用，看了些演示也确实不错，不过 Pro 的订阅费还是有点贵，而且 [Poe](https://poe.com/) 一直用得挺好的，就没有尝试了。 ## 结语 经过这一个小时的「折腾」，多安装了一个 Raycast，卸载了好几个第三方工具，使用没有受到任何影响，值得切换。 这种系统层面的工具，不会经常切换（毕竟 Alfred 也用了十来年），一旦用好了确实可以极大的提升日常工作效率，这一点深有体会，之前把 Mac 中的终端工具从 [iTerm2](https://iterm2.com/) 切换到 [Warp](https://www.warp.dev/) 也有这个感觉。 一点小折腾，也算是长期投资吧！https://dailyup.blog/posts/2023-12-20_blog_2023-summary/https://dailyup.blog/posts/2023-12-20_blog_2023-summary/2024 年的年终总结与回顾～Wed, 20 Dec 2023 00:00:00 GMT 经济下滑，俄乌战争，中美对抗，人工智能崛起，各种「乱象」显现，2023，注定是特别的一年。 有人说，2023 年，是本世纪最糟糕的一年，也有人说，2023 年，可能是未来十年最好的一年。我在想，**这个世界可能并没有我们所期待的那样美好，也可能并没有大家想象中那么糟糕**！ 既然有了博客这个载体，不免俗，也来个年终回顾，以作记录，为 2023 年划上一个句号。 ## 一、2023 总结 ### 1. 教育第一线 今年，花在上课上面的时间多了不少，简单通过录制的直播视频时长来看，总时长超过了 1000 小时。坚持下来，还挺不容易的，这些记录的视频，对我来说，才是真正的财富，会一直留着。 平时给孩子上编程课，除了 Scratch 外，写 Python 和 C++ 代码比较多，写的每一份代码都有留存，一年时间，总共写了 1255 段代码（一个文件算一份代码，有些代码写过多次），这还不算在其它地方写的代码。  从数量上来说，挺可观的，从编程的角度来说，在教的同时，我自己也算是重学了几遍，嗯，原来**学习秘诀一直在这里，惟手熟尔**！打字速度也快了不少。 总的来说，这样上课，有好有坏。 **好的方面**，通过上课，认识了很多可爱的孩子，通过这些孩子，接触到了不少家庭，一线地沟通与教学实践，让我对教育又有了更多地思考。也让我更加确定，喜欢孩子，也喜欢教育这件事。 **不好的方面**，这一年，我大部分时间都耗在了上课和备课上，简单通过时间换收入，并不是一个可持续的做法，有很多想法，没时间去实践，在新的一年里，会有所调整。 比较开心的是，将一份我个人觉得非常有用的学习实践方法分享给了超过十位家长，而且基本上都用起来了，目前的反馈都很不错。这个方法我在 [如何记住任何东西？基于间隔重复的学习实践 | Dailyup沉思录](https://www.dailyup.blog/posts/spaced-repetition-practice) 这篇文章里有更多介绍，感兴趣的可以看看。 ### 2. 再认识编程 从教学上来说，今年的重心关注在信息学竞赛方面，因此在这方面花的时间不少，附带的，自己手写算法的能力应该是也提升了一截。 反过来，对于编程这件事，也有了更多的认识，实话实说，尽管做了多年的专业程序员，我对于编程的兴趣和理解一直是比较浅的，奇怪的是，最近几年，很少做真正的应用开发，反而更喜欢编程了，反而更有冲动用编程去解决实际问题了，距离产生美，原来这样也可以。 也确实用编程去解决了一些自己的问题： - **重写博客程序**，也就是你现在看到的，虽然还不完善，够用就行，毕竟自己从头写的，况且还会迭代更新。 - **电子书生成工具**，为了写文档，从 markdown 到排版精美的 PDF，半开发半折腾，最终也是通过编程解决的。 - **杂七杂八小工具**，希望一些帮助自己偷懒，一些能帮助到女儿学习。 在创业时，和朋友在讨论我们对于学习编程背后的理念时，有这么一个观点： > 学编程，更是通过编程去学习。 现在也是体会更深了一些。 ### 3. 阅读与输出 以前每年年终都会有一个习惯，回顾今年看了多少本书，发现今年这方面的意愿并那么强了，今年更多关注的是输入和输出。 今年输入的主要来源和以前还是差不多，**书籍、人物访谈和各种文章**，和往年不同的是，今年关注的书籍和网站都更聚焦一些，数量虽然没那么多，胜在质量高一些。 这得益于自己构建的一套学习生产力系统开始起作用了，感兴趣的也可以参考 [构建基于Obsidian的学习生产力系统 | Dailyup沉思录](https://www.dailyup.blog/posts/obsidian-productivity-system)。  今年的部分输出： - **1300 张左右的知识卡片** - **5 次正式非正式的分享**，一场关于信息学竞赛的，三场关于人工智能与未来教育的，一场关于 Obsidian 构建学习生产力系统的 - **两份编程指南电子文档**，一份关于 C++ ，一份关于 Python ，共计 700 多页，主要是自己的日常教学积累。 ## 二、2023 影响我的人或事 ### AI  对于关注 AI 的人来说，2023 一年的信息量，感觉超过了互联网过去的十年，变化太快太猛烈了，毫无疑问，AI 对于整个行业，甚至整个人类来说，一定是影响巨大的，未来已来，尚待分布均衡。 ### 书  [《Powerful Teaching》](https://www.powerfulteaching.org/)，一本无意间关注到的书，主要讲的是**如何在课堂和日常学习中应用基于实证的、科学的学习方法**。两位作者，一位是认知科学家，一位是 K-12 教师，这样的搭配让本书在理论与实践两方面做得都很不错。 这本书对我在思考未来的教育、学习以及产品方面都有很多启发。 ### 人  - 查理.芒格，一位真正的智者，老爷子走好，RIP 🙏 - [Naval Ravikant](https://naval.al/) ，除了他的书《纳瓦尔宝典》外，一些相关的播客和访谈也值得关注，智慧往往在一些细微之处闪现。 - [Paul Graham](https://www.paulgraham.com/articles.html) ，《黑客与画家》作者，一位真正的极客，关注他的博客，可以了解很多关于创业、产品、技术方面的洞见。 ### 工具  毫无疑问，[Obsidian](https://obsidian.md/) 确实重塑了我的思考方式，透过 Obsidian 逐步建立的一套学习生产力系统，对我的日常学习和工作的影响都很大。 ## 三、2024 期待  > Hope is a good thing, maybe the best of things, and no good thing ever ever. > > 希望是美好的，也许是人间至美，而美好的事永不消逝。 > > --- 《Shawshank Redemption》 **对未来有期待总是好的！** 2024 年，调整在一线教学方面的投入比，挪出更多时间在下面这些事上： - 探索 AI 与 教育的结合与应用 - 输出如何高效、科学学习的内容 - 将 Python / C++ 编程指南开源 - 重启每日思维挑战 Daily Challenge - 与朋友做一些长期有价值的产品和事 🌟 **One more thing，好好挣钱养家！** ## 四、结语 > The future is already here, It's just not very evenly distributed. > > 未来已来，尚待分布均衡！ > > --- Willian Gibson（美国作家） 文字只是一个总结，内心更多是期待，无论未来好坏，做为个体，能力甚微，在大环境的洪流中，能做的其实很少，**踏踏实实过好每一天，让自己，让身边的人过得好一点点**，相信这个世界也会变得好一点点。 Thanks God ~ https://dailyup.blog/posts/2023-12-14_blog_obsidian-productivity-system/https://dailyup.blog/posts/2023-12-14_blog_obsidian-productivity-system/和大家分享自己如何基于 Obsidian 构建自己的学习生产力系统的经验～Thu, 14 Dec 2023 00:00:00 GMT  > 我们塑造了工具，而后工具也在塑造我们。 > ---- 麦克卢汉 尽管这篇文章完全是基于 `Obsidian` 这个工具来展开的，但严格意义上来讲，我并不希望它是一篇介绍 Obsidian 的文章，更多是基于 `Obsidian` 搭建一套自己的个人生产力创造系统，是基于个人使用的经验总结，也是逐步沉淀下来的一套实践方法论，因此有强烈的个人偏好，当然，我会尽可能把我遇到的问题，以及为什么要这么做告诉大家，希望对你也有所有启发！ ## 一、背景 > 创造力不是靠灵感凭空而来的，而是一套完整的流程机制来产出的。 就像很多人经历的一样，前前后后，我也使用过非常多的「笔记类」工具软件，初衷其实很简单，**遇到想记的能够快速记下来，想用时能够快速找出来**。Evernote、Gitbook、语雀、Flomo、Apple Notes、Notability、Roam Research、Logseq、Notion、实体笔记本，不列不知道，一列吓一跳。 到目前，留下来在使用就下面四个： - [Obsidian](https://obsidian.md/)，使用频率最高。使用比例 85% 左右。 - [Notion](https://www.notion.so/)，便于文档协作与分享，使用比例 5% 左右。 - [Hepta](https://heptabase.com/)，个人因为比较喜欢卡片排列与组合的方式，体验实践。 - [Typora](https://typora.io/)，用于一些长文档写作输出，纯工具使用。 - 自建的莱特纳盒子，实体笔记卡片，参考[这里的介绍](https://www.dailyup.blog/posts/spaced-repetition-practice)。使用比例 10% 左右。 > 这里的使用百分占比只是根据真实情况的一个估计，并非精确数字。 之所以一直在尝试，主要是没有建立一套适合自己，满足前面描述初衷的系统。不知大家有没发现，很多时候，我们记了很多内容，链接、金句、想法、摘录笔记，记了一堆，但却很少用到，记了不用，就纯粹是一个笔记存储了。 目前基于 `Obsidian` 这套系统的使用情况是： 1. **稳定产出**。使用两年左右，生产超过 2500 张卡片，平均下来稳定每天生产 3 ~ 5 张卡片。 2. **使用频率极高**，以前遇到一个问题，首先找搜索引擎，现在基本上都是先进入系统提取。 3. **灵感触发器**，很多有启发的想法都来自于这套系统，而非凭空产生。 真正实现了**想记的时候能够快速记下来，想用时能够快速找出来，偶尔还会引出一些新的灵感和启发**。 ## 二、原则 实际上这套系统是自然生长而成的，在生长的过程中，记录下了一些自己**使用的原则及反常识点**，这也是我个人觉得最值得分享的。 ### 1. 基于卡片的创作 在用 `Obsidian` 记录的过程中，逐渐养成了卡片记录与创作的习惯，卡片这个概念最初是源于卢曼（Niklas Luhmann）的[卡片记录法](https://zettelkasten.de/introduction/)。  但真正对我启发很大的是来自于奥斯卡最佳原创剧本奖得主 Dustin Lance 介绍他的剧本创作流程的一个纪录片视频。  Dustin 整个**剧本创作的核心流程是围绕卡片来进行的**，从搜集的材料中提取内容，转换为卡片；将一部电影的剧本长度转换为排满一张桌子的卡片，然后对整张桌子的卡片进行排列、删除与重组；对铺满整张桌子的卡片确认后，这时已经对要写的东西非常熟悉了，剩下就是将这些内容转化为剧本。 当时看到这个视频，非常惊讶，惊讶于卡片组合与创造的魅力，惊讶于文学创作原来不仅仅是靠灵感，更需要一套科学的流程。  也强烈推荐大家看看这个视频： [奥斯卡编剧教你写剧本](https://www.bilibili.com/video/av9692264/) 。实际上，下面几条原则也是基于卡片这个基础来谈的。 ### 2. 坚持原子化记录 原子化记录。**一张卡片就是一条想法，一个节点**，节点越原子化，你就越容易写入，节点与节点之点的排列与组合也就更容易促进创造。 刚开始卡片记录的时候，人们习惯性会将所有脑袋中的想法一股脑全写在一张卡片中，这样做带来的问题是，一张卡片实际上讲了多个点，在添加卡片之间的关联时就犯难了，**卡片之间的关联不容易明确，未来要用时，提取也就更难**。 `Obsidian` 中，尽管一条笔记就是一个 Markdown 文件，但在记录时，因为创建和管理的成本很低，脑袋里就只有卡片，完全忘记一个个具体的文件存在了。 ### 3. 注重链接而非收集 **链接优于一切**，每张卡片就是一条想法，这条想法通过双向链接与其它节点关联，最终构成了整个知识网络，这个网络的质量则取决于这些相互链接的节点。 在实际使用中，这里的链接其实分为两类： - 一类是**内部链接**。也就是你的知识网络中卡片与卡片之间的关联。 - 一类是**外部链接**。所有卡片尽可能标明外部来源，以便未来有需要时能够溯源，可能是一本书，一部电影，一次聊天。 我现在写卡片的时候，已经养成了这样的习惯顺序，**先写来源 → 再写关联 → 最后才写卡片主体内容**。充分利用 `Obsidian` 的模板功能，我们可以将卡片的基本结构创建好，这样更不会忘掉填写来源与关联了。 **节点之间的关联越多，呈现在你面前的机率也就越大，记忆与检索的难度也就越低。** ### 4. 注重数量而非质量 最初是在 David Perell 的一篇文章 [《The Ultimate Guide to Writing Online》](https://perell.com/essay/the-ultimate-guide-to-writing-online/) 中看到这个观点的，他写到 > Focus on quantity over quality at first. If you publish something every week for a year, you’ll gain tremendous insights into what you should be creating. > 首先注重数量而不是质量。如果你连续一年每周发表一些东西，你会对你应该创造的东西获得巨大的洞察力。 这一点比较反常识，我们在记录与创作时，如果刚开始过于注重质量，往往很难进行下去，而且，对于一套基于卡片的系统来说，只有当卡片积累得足够多时，卡片之间更容易组合创造，才会慢慢从记录走向创作。 **卡片并非一成不变，随时可以迭代完善**。整套系统也是随着卡片的积累在不断进化的，我自己的经验是，当卡片积累超过 500 张时，知识网络的力量也就慢慢开始出现了，你准备写一张卡片，系统中快速搜索，很可能有与正准备写的卡片相关的内容已经记录了，立马添加上链接，或者直接更新之前的卡片，无论怎样，整个网络的质量都在不断提升。 优先注重数量而非质量，实际上也在提醒我们**需要转变一种思维方式**，数量是需要主动去积累的，而质量是在潜移默化中不断提升的。 下面是我较早写的一张卡片，可以看到，从内容本身上来，写得甚至不太通畅，但要表达意思是清楚的，毕竟卡片系统是私人使用而并非公开发布的，这样就够了。 最关键的是一张卡片只说一件事，来源与关联必须考虑到（从日期可以看到，有一张关联卡就是后面才加的）  ### 5. 强调卡片思维 把 `Obsidian` 当作一个卡片生成与创造工具，而不是一个简单的笔记管理与存储工具，这是一个基础前提。 当你把这些文档或文件抽象为卡片（Card）后，你思考更多是，**如何能生产更多的卡片，如何在卡片之间建立更多的链接，如何通过卡片的灵活组合来进行创造**！ - 配合内容地图（MOC） ，提供不同维度的卡片组合视角～ - 通过随机漫游和双向链接在不同卡片之间游走，激发创造 - 通过全局或局部视图来观察节点与整个知识网络的生长情况 下面这张讲从数据到智慧的图刚好能表达这种思维方式。  --- 大的原则聊差不多了，终于说到很多人可能更感兴趣的，也就是一些具体的操作实践，下面一一为大家呈现。 ## 三、选择 `Obsidian` 的主要原因 兜兜转转，最终选择 `Obsidian`，最主要的原因就是：**快，并且刚好够用**。没想到这一点占了主要因素，但快确实很关键，快带来的好处是，**极大降低了使用负荷**，让整个使用的感觉非常流畅。 ### 1. 打开快 `Obsidian` 并非一个网络应用，而是一个客户端程序，所有记录的文件都是以 markdown 文件本地（离线）存储的，这一点和 `Notion`、 `Road Research`、`Heptabase`不同，后面这几个都是基于 Web 的，慢了不是一个等级。在 `Obsidian` 里打开文件几乎都是极速秒开。 > 之前对酷炫的 `Obsidian` 全局视图呈现感兴趣（对，就是文章开头那幅图），有在社区看到他们的开发团队谈到，最初是使用的 `D3` 库来创建的，但对渲染效率不满意，后来整个这一块全部用 WebGL 重写了，从这一点也看得出，他们对于整个软件的响应速度是很在意的。 ### 2. 录入快 快捷键配合模板，创建卡片非常快，下面的录屏显示，借助模板，创建一张卡片的基本框架几秒钟就可以完成。 - ` ⌘ + N`，创建文件 - 使用 [Alfred](https://alfred.app/) 的 Snippet 创建的快捷方式，输入当前日期 - `Shift + ⌘ +I` 快速打开预先准备卡片模板  ### 3. 检索快 在 `Obsidian` 中，模糊检索特别方便，比如说，我前面那张「笔记与网络」的卡片，我想找出来，只需要两步。 - `⌘ + O` ，快速打开文件 - 任意输入「笔记」或「网络」或「笔记网」，都能快速找到相应的卡片  在`Obsidian` 中，同样提供了基于文件内容和标签的全局检索，但我使用得并不多，90% 以上的场景直接通过上面的步骤都可以实现。当然，能做这一点，也源于我后面会讲到的一套好用的文件命名规范机制。 ### 4. 同步快 `Obsidian` 中所有文件都是本地存储的，但为了多设备使用，需要文件同步，最初我是自己配置的基于 iCloud 的同步方案，但时常遇到同步不及时的情况，也折腾过一些其它方案，最后还是购买了官方提供的同步服务。 不得不说，官方的同步服务做得真好，多设备同步极度顺畅，几乎全是实时同步，有两次换手机，需要全部重新同步，也非常快，没遇到任何问题，如果需要多设备同步，个人还是非常强烈推荐官方的同步服务。 大家也可以评估一下自己现在使用的工具或流程方法，看是否能做到上面这几点，如果能做到，恭喜你，你也找到了适合自己的一套学习生产力系统。 ### 5. 刚刚够用 这一点比较个人化，在使用 `Obsidian` 之前，用 `Notion` 更多，但 `Notion` 毕竟是一个基于 Web 的应用程序，打开和检索内容确实较慢，更适合比较长的文档及协作需求，`Notion` 独创的 Database 设计非常棒，但同时也带来一些问题，尤其是在通用性和迁移这一块，鱼和熊掌有时真不能兼得，根据自己的需求来选择吧。 过程中又尝试了 `Road Research`和 `Logseq`，RR 也慢，而且挺贵的，`Logseq` 其实挺不错，不过默认基于大纲（Outline）的设计方式并不太喜欢。 大部分基于大纲设计的工具，特别适合块（Block）的双向链接，一行就是一个块级内容，但我自己的使用感受是，**块（Block）层级的链接粒度太细了，不太利于提取与创造**，因此尽管后来 `Obsidian` 也支持了块级双向链接，但我也基本没用，**卡片级的粒度对我来说刚刚够**。 > 这一点比较有个人倾向，因为我采用的是**以卡片为最小单位来进行知识管理与创造**，我也有看到别人基于块的方式在使用，用得也挺好的，所以这本身不是问题，关键你的策略是什么。 ## 四、`Obsidian` 基础配置 在安装好 `Obsidian` 后，有一些基础配置，对日常使用会有一些有帮助。 ### 1. 开启同步 我会用到移动端（主要是 Iphone 和 iPad），因此优先开启了同步，目前使用的是官方的付费同步服务。同步选项基本上是打开的，包括插件同步、图片、音频、视频等的同步。这一点 `Obsidian` 做得也很好，各种配置打开后，移动端的使用体验与桌面端几乎完全一致。到目前为止，整个仓库大小 700 M 左右（离上限 50G 还差得远）。 > 顺便说一句，`Obsidian` 的移动端也做得非常好，还曾获得了苹果每年的年度推荐工具称号。 ### 2. 开启 Vim 键绑定 长期以来，自己比较习惯使用 `vim` 模式来编辑文字和代码了，`Obsidian` 默认也支持 `vim` 模式，通过 `Editor > Vim key bindings），开启即可。 ### 3. 选择适合的主题 一款适合的主题使用起来会比较舒心，这个看每个人的喜好，偶尔换一换也挺好的，我总共只使用过三款： - `Obsidian` 官方默认的主题 - `Minimal` 一款极简的主题 - `Obsidian Nord`，目前使用的这一款主题，大概长下面这样（个人觉得中文显示效果更好看一些）  ### 4. 熟悉常用快捷键 快捷键可以极大提升使用效率，可以在 `Hotkeys` 里去查看或修改，除非特别需要，不建议修改默认的快捷键！ 下面是一些我常用的快捷键。 - `⌘ + O`，快速打开文件，按文件名模糊搜寻 - `⌘ + P`，快速打开指令，比如说删除当前文件，移动当前文件 - `⎇ + Shift + R`，笔记漫游（random note） - `⌘ + Shift + F`，可按文件内容进行全局搜索 - `⌘ + G`，打开全局关系视图，就是那个很炫酷的网状结点图 - `⎇ + Shift + G`，打开当前文件关联的局部关系视图 - `⎇ + Shift + F`，折叠起所有的标题栏 - `⎇ + Shift + U`，展开所有的标题栏 - `⌘ + ,` 打开参数设置窗口 - `⌘ + Shift + R`，打开（或关闭）右侧边栏（自定义的） - `⌘ + Shift + L`，打开（或关闭）左侧边栏（自定义的） > 说明：上面的快捷键是针对 macOS 的，如果使用 Windows，通常是将 `⌘` 键替换成 `win` 键，`⎇` 键换成 `alt` 键。 ### 5. 其它配置 - 根据自己需要，在关于配置中开启英文或中文界面显示 - 在核心插件（Core plugins）页面，根据需求，选择启用一些配置选项 - 模板（Template） - 漫游笔记（Random note）、 - 出链（Outgoing Links） - 大纲（Outline） - 字数统计（Word count） - 白板（Canvas） ## 五、`Obsidian` 最佳实践 ### 1. 少用插件 > 如无必要，勿增实体。 > > ---- 奥卡姆剃刀定律 这一点我也是经过很长一段时间使用后的感受。以前也特别爱去折腾各种功能强大的插件，在 B 站或 Youtube 随便一搜，也是各种插件使用的教学视频，观看量还特别大。 不是说插件不好，尽量少用插件基于下面三点考虑： 1. 还是为了快，插件过多，必然会对软件的性能和稳定性有所影响 2. 既然记录的卡片原子化了，每张卡应该都比较简单，并不需要特别复杂的内容，大部分插件也就没必要了 3. 迁移，很多插件会对内容格式有一定影响，对于后续迁移会带来一些阻碍 看了下，目前正在使用的第三方插件只有下面三个： - [Local images plus](https://github.com/Sergei-Korneev/obsidian-local-images-plus)，对于 Obsidian 的图片，希望都是本地离线存储的，使用该插件可以快速将在线的图片自换下载并替换为本地地址，非常方便。 - [Advanced Slides](https://github.com/MSzturc/obsidian-advanced-slides)，因为经常要做课堂使用的演示文档，有时打开 Keynote 去弄太麻烦，直接在 `Obsidian` 里写 Markdown 来自动生成 Slide，简洁高效，非常方便。 - [Dataview](https://github.com/blacksmithgu/obsidian-dataview)，顾名思义，这个插件与数据呈现相关，你可以理解为 Obsidian 中的高级数据查询与可视化，类似 SQL，非常强大，后续会写点内容介绍一下结合自己的需求对该插件的用法。 使用这三个插件仅仅是因为刚好满足我的需求，也并未增加过多的复杂度。使用 `Dataview` 的一些页面在加载速度上还是会稍微有一些影响，所以也只会有有限、特定的页面中使用。不能破坏整体系统对「快」的要求这个关键需求。 > `Obsidian` 中很多功能强大的高质量插件，如 `Advanced Tables`高级表格制作 、`Excalidraw` 手绘风格绘图、`Mind Map` 思维导图制作等，选择自己合适的就行，别老是在折腾这些插件，却没生产多少内容，得不偿失。 ### 2. 文件命名规范 在个人知识管理实践中，文件的组织与管理一直是一个绕不开的话题，有太多讨论的文章和视频。 其实无论是文件夹组织还是文件命名，都是为了在使用时能够快速提取，就像我们传统在硬盘上存储文件一样，弄了一套非常完善的多层级文件夹，但要用时半天找不到，肯定就不是一种好的组织方式。 在 `Obsidian` ，全局快捷键 `⌘ + O` 打开检索栏，模糊检索功能非常好用，正是因为有了这一点，我现在已经完全摆脱文件夹组织的困扰了，甚至也很少使用标签（Tag）了，所有的重心都放在文件的命名上了，事实证明，这个方向是对的，**基于文件名的模糊检索方式，效率提高了不知多少倍**！ 每个人的文件命名习惯都可能不太一样，建议大家多琢磨一下这一点，对于提升使用效率有极大的帮助。 我目前的文件命名由三部分构成，像下面这样：  下面来具体看一些文件命名例子 **1. 普通卡片示例** - `2022-02-22_card01_城市对冲` - `2022-02-22_card02_任务卡片驱动学习` **2. 人物卡片示例** > 国外人物加上中英文也是为了便于检索 - `2021-10-13_people_Seymour Papert 西摩.派珀特` **3. 书籍卡片示例** - `2022-02-22_book_因计算机而强大` **4. 周计划卡片示例** - `2022-03-27_2022-04-02_W13`，代表 2022 第 13 周，从 3 月 27 号到 4 月 2 号 **5. 学习卡片示例** - `2022-12-14_learning_algorithm`，代表算法学习 **6. 待办事项** - `2023-10-20_todos` **7. 内容地图 moc** - `2022-02-02_moc_ai`，与 AI 主题相关的内容地图 可以看到，通过这样的文件命名方式，其实变向将原有的文件夹，甚至部分标签融入到文件名里去了，再配合卡片原子化的书写原则，带来的最大的好处是：**真正实现快速检索到需要的文件**。 > 注：关于文件命名规范，是我这套系统能够快速运转的关键，对于现有的工作和创造流程有很大的帮助，因此这部分迭代的比较勤，现在规范慢慢稳定了，最近会把 1.0 版公开出来。 实际上，一个好的生产力系统，输入只是一部分，更重要的是能够快速检索（提取），检索应该是非常频繁并且高效的，因此**系统中很多简化与设置都是为了最终实现高效检索和提取**。 ### 3. 善用模板 模板使用频率还是比较高，对于常见的卡片类型，我都有创建对应的模板，最常见的就是卡片模板了，模板相对来说也比较偏个人化，下面是我目前使用的一些模板。 - card template：普通卡片模板 - book template：书籍模板 - note template：笔记模板 - weekly template：周模板 - people template：人物模板 - course template：课程模板 - teaching template：教学计划 - newsletter template：以前创建 newsletter 时建的模板 以普通卡片模板为例，内容其实非常简单，主要就是一些简单的替换符号使用：  ### 3. 内容地图 MOC **内容地图（MOC，Map of Content 的简称）就是一张卡片（笔记），一种特殊的卡片类型。**，MOC 这个概念最初由 Nick Milo 提出 [In what ways can we form useful relationships between notes?](https://medium.com/@nickmilo22/in-what-ways-can-we-form-useful-relationships-between-notes-9b9ec46973c6)，感兴趣的可以去原文看看。 举个例子，我现在创建了很多与卡片使用相关的笔记，这时我可以创建一个与编程学习相关的内容地图（也就是一篇笔记），这篇笔记里把与学习相关的笔记直接引用关联进来。 需要注意的是，**使用 MOC 的真正意义并不是分类，而一种「面向主题」的设计**，它与目录也不同，内容地图是灵活的，是流动的，根据需要随时可以更改，而目录只是一个具体的，比较固定的，用线性形状来组织内容的一种结构。 MOC 使用很简单，但足够灵活，它为我们提供了看待卡片的不同视角。经常使用就会有这样的体会了。 下面的截图展示了我的一张主题为技术栈（techstack）的 MOC 卡片在全局视角下的关联 。  ### 4. 随机漫游 随机漫游，实际上是给我带来很大惊喜的一个小功能，其实就是随机帮你在所有卡中挑选一张显示出来，**随机带来的好处就是意外惊喜**，有些卡片如果不是主动搜寻，很少有机会打开，但随机就给了一个机会让它可能出现在你的面前，感觉这是强化整个知识网络的一个非常棒的功能。 无论是在 `Obsidian` 桌面端还是移动端，这个功能都很好用，使用没任何负担，我一般在坐地铁、休息或脑袋放空的时候就会刷一刷，经常会带来一些意想不到的灵感和启发。 比如说，我在手机上设置了通过**下拉来触发随机漫游**的动作，非常方便，下面是一个实际使用的演示图。  这是被大部分人忽略掉的非常有价值的功能之一。 ### 5. 文字替换快捷输入 另外，为了减少重复输入，我现在是使用 `Raycast` 中的 snippet 功能 创建了大量快捷输入语，方便文字和符号录入，下面是部分我常用的快捷输入 - 经常以 YYYY-MM-DD 格式动态输入当前日期，创建了 `;dt` 快捷方式，写卡片时第一反应就是这个 - 一些日常高频词，如输入`;tel` 可以快速生成我的电话号码；如 `;id` 会生成我的身份证号码 - 一些不太方便直接输入的符号，如 `;ra` 会帮我输入向右的箭头符号 `→`， `;cmd` 会帮我输入苹果 command 符号 `⌘` ，`;star` 会帮我直接输入五角星符号 `★` ，等等 最好自己有一套自己的习惯方式，积累下来，会方便很多，也不仅仅只在 `Obsidian` 里使用，这种配置通常是全局的，任何地方都可以使用。 Mac 自带的文本替换功能也可以实现同样的功能；也可以使用功能更强大的一些专业文本替换类工具，如 [aText](https://www.trankynam.com/atext/)、[TextExpander](https://textexpander.com/) 或 [Typinator](https://www.ergonis.com/products/typinator/) 等。 ## 六、小结 如果你正在尝试使用某些工具构建自己的学习生产力系统，请反过来思考，我们构建这样系统的目的是什么，**一定是为了使用和创造，而不仅仅是存储，如果你记得很爽，从来没用，不一定是你懒，可能是这套系统流程有问题，不适合你**。 希望本篇文章对你有所启发。 https://dailyup.blog/posts/2022-09-23_blog_math-meet-programming/https://dailyup.blog/posts/2022-09-23_blog_math-meet-programming/学编程，更是通过编程去学习！数学与编程，两者相遇，无论是对于编程学习，还是数学学习都有非常好的促进作用。Fri, 23 Sep 2022 00:00:00 GMT > 说明：本文为作者原创，第一时间会发到微信公众号：「大圣不是圣」，由于微信公众号文章发布后不方便修改，因此这里也会同步一篇，错误或修订都更新在这里。 > > 欢迎分享，若需转载请联系微信（ddupxyz），谢谢！  用此文向尊敬的 Seymour Papert（西摩.派珀特）致敬！作为一名教育家、数学家和人工智能专家，Papert 在他 30 年前的著作 [《因计算机而强大》](https://book.douban.com/subject/30418117/) 中就已经不可思议地把通过编程去学习的本质讲得非常清楚了！ ---  上面这句话源自 1995 年的纪录片[《乔布斯：遗失的访谈》](https://www.bilibili.com/video/BV1Gx411P7jp/?vd_source=ecaa8c371c1c52f19e99a34f0967e009)（Steve Jobs: The Lost Interview）中对乔布斯的采访。 很多地方，尤其是各类编程机构都在引用上面乔布斯这句话，作为宣传用语，但很少见到有人真正从实践上去解读或印证这句话背后的意义：**编程是如何教会我们思考的？** 当初创业开始做青少年编程教育时，也用了一句类似的话作为我们的教学理念： > Learn to code, but code to learn > 学习编程，更是通过编程去学习。 通过这五六年的教学实践，对这句话的理解也更加深刻了，希望接下来通过系列文章和大家分享一下我对 「通过编程去学习」 的看法和实践，也算是对编程教会我们如何思考这个命题的回应。 本文适合关注青少年编程教育的各位同学、家长及编程老师，当然，如果你恰好是一位专业的程序员，又对教育感兴趣，希望也能带给你一种不同的看待编程的思考方式！ --- 这是第一篇，聊一聊编程与数学的关系：**学编程，更是通过编程去学数学**。文章比较长，我会尽可能通过一些示例把这个话题讲清楚，聊透。 下面的内容中，涉及到具体案例，会通过 Scratch3 和 Python 两种编程语言来演示。 Scratch3 是由麻省理工学院媒体实验室专为孩子设计的图形化编程语言，利用可拖拽的积木块来代替键盘输入的纯代码指令，让写程序更像搭积木，孩子们可以创建自己的互动游戏、故事和动画，非常适合孩子编程入门学习。  Python 是由荷兰人 **Guido van Rossum （吉多.范罗苏姆）** 开发的一门编程语言，它的设计理念就是简洁，Python 语法与自然语言比较接近，因此非常适合青少年与初学者学习编程使用。  Scratch3 属于图形编程语言，Python 是一种纯代码编程语言，大家也正好可以观察一下两种不同类型的编程语言的不同表达方式。 **数学遇上编程，是件非常美妙的事情**，下面这幅简单的示意图呈现了编程对数学带来的帮助，实际上，这种帮助是相互的，两者相遇，无论是对于编程学习，还是数学学习都有非常好的促进作用。 我下面的文章内容，也会大致按照图中的几个模块来展开讨论。  # 01 ## 培养数感 在数学课标中，明确要求：**教师在教学中要培养学生的数感，并且数感排在数学素养 10 个核心概念的首位**。可见数感培养的重要性。 那如何培养数感呢？有生活中有很多种方法，而在编程中，数的应用无处不在，对数感的培养完全是潜移默化的。 ### 1）数的表示 数字的意义，在小学刚开始学数字时，最常见的一种方式便是物与数的对应，1 个苹果、 2 个梨子、10 个人。 在 Scratch 编程的世界里，数字往往与角色相关，它所表示的意义更加丰富、直观。比如说，90 这个数字，它可以表示 - 移动 90 步 - 90% 的比例大小 - 也可以是指 90 度方向 - 也可以是旋转 90 度角 - 还可以表示一种接近透明的状态 - ...... 在运用编程去创造的过程中，**数字不仅仅是抽象的数字，更是表示了一种非常具体的状态**，可以说，编程对于数感的培养不仅更有趣，而且在潜移默化中让我们对数的理解更加深刻。 ### 2）数的估算 在解决实际问题的过程中，数量的大小往往并不是精确的，也不需要精确，这时候就需要我们去估一估、算一算，在估算中，内化数感。 比如说，我们设计了一堂 Scratch 课，目标是完成下面这个开心农场的作品，完成效果如下图所示：  在空旷的农场放养一些鸡，鸡是通过 Scratch 中的克隆功能生成，正常情况下，鸡活动的范围应该是房屋右侧面的空地，它不会跑到房子上去，也不会跑到后面山上去（都不符合常理），我们编程实现的过程自然就需要**对鸡的位置范围进行估算**。 这里的估算很有意思，要完成估算，有两个前提条件： - 一个是要理解 Scratch 中舞台大小及位置如何表示 - 一个是要知道在 Scratch 中如何去估算位置范围 如下图所示，黄色的坐标轴显示了在 Scratch 中舞台的大小与位置定位；而绿色的框则是我们大概标识出来鸡的活动范围。  对坐标的表示稍微熟悉后，我们可以尝试估算了，直接在舞台区拖动角色（这里的母鸡）到绿框的边角，通过对角色的位置属性观察去得到一个大致的估算范围（x 与 y 的值）。 实际上，在开心农场这个作品中，还有好几个地方都需要用到估算，比如说，克隆多少只鸡出来合适（不拥挤也不冷清）？鸡离我们的远近会有一定的透视比例缩放（近大远小），大概缩放多少合适？ **估算，不用精确，但一定要合理**。在使用 Scratch 进行编程学习的过程中，有太多的地方都需要孩子们有一定的估算能力，坦克大战游戏中坦克炮管的攻击范围、气球升空时的移动速度、贪吃蛇进阶时需要增大的比例，等等。 数无处不在，有数的地方，就有运算、有比较、有估算，何愁对数感的培养不会好！ ### 3）对大数的感受 在计算机出现之前，对大数的认识，尤其对于孩子来说，大都是停留在想像之中，并没有一个实际的对比感受，毕竟在生活中大部分人都很少有机会去接触到超大数的应用场景。 而有了计算机后，我们完全可以**利用编程去模拟对大数的运算，这就很容易通过数字的变化过程来感受大数究竟有多大**。 下面是一个我们在课堂中经常会讲到的经典折纸问题。 首先拿出一张普通的 A4 纸，让孩子们估算一下它的厚度大概是多少？通过估算，让孩子们对于长度单位（米、分米、厘米、毫米等）有一个直观的感觉。 > 实际上，通过查阅资料验证后，我们知道一张普通 A4 纸的厚度大概在 0.1 毫米左右，如果用米作单位就是 0.0001 米。 过程中鼓励孩子们尝试去对折一下，看看大家能将一张 A4 纸对折多少次？通过尝试，大家发现最多只能对折六七次。 引出这样一个问题：如果给你一张无限大这样的白纸，将它对折 20 次，它会变得有多厚呢？对折 30 次后又是多厚呢？ 在课堂中问到这个问题的时候，孩子们的回答都很积极，回答也是五花八门，从大部分孩子的回答情况来看，一般都不会很厚，大概也就是几本书那么厚，厚度绝对不会超过一人高（这实际上为后面令人惊讶的结果对比做了辅垫）。 这个问题我们完全可以通过一段非常简短的 Scratch 程序模拟出来。  可以看到，当对折 23 次后，厚度就达到了 838.86米，竟然超过了目前世界的最高楼：位于迪拜，总共 828 米的哈利法塔，这是大家完全想像不到的！实际上对折 20 次后，竟然就有 100 多米了，也有 30 层楼那么高！ 这个结果对于孩子们（对于很多成人也是一样）是完全出乎意料的！都觉得不可思议！ 惊讶之余，引出另一个问题，再让大家猜一猜，我们对折多少次后，纸的厚度就可以超过世界最高峰珠穆朗玛峰的高度（8848米）呢？ 再编写一段程序，经过测试，只需要对折 27 次，纸的厚度就已经有 13421.7728 米了，远远超过珠穆朗玛峰的 8848 米了。  在实际生活中，我们没办法找到这样一张无限大的纸，就算有这样的纸，用人力去完成这样的对折也不太可能，但如果你懂一点编程，写一段上面的程序并不是一件困难的事情，我们带着二三年级的孩子去完成，也是一点问题都没有。 实际上，每对折一次，纸张的层数翻倍，纸张的厚度也要翻倍，而且这个厚度会随着对折的次数增加得很快！很快我们就没办法继续对折了。对于稍大年龄的孩子，我们会告诉他们，**这其实是数学中的一种指数增长效应，而指数增长是非常快的**。 2011 年，一位美国的中学老师 James Tanton 带着他的 17 名学生在麻省理工学院的无限走㾿（Infinite Corridor）用超过 16 公里的厕所卷纸做了对折的实验，花了八小时，最终成功对折了 13 次，对折后的厚度大概有 0.8 米，下图是他们当时参与对折的人员合影。  有趣的是，James Tanton 教授，正是爆炸点（Explding Dots）的发明人，爆炸点是一种全新的关于数学的表示与运算方式，我在博客也写了两篇介绍的文章： - 第 1 篇：[爆炸点系列01-重新认识数的表示与运算](https://www.dailyup.blog/posts/exploding-dots-intro01) - 第 2 篇：[爆炸点系列02-负数的引入及运算](https://www.dailyup.blog/posts/exploding-dots-intro02) 感兴趣的可以去了解一下。 **编程给我们提供了一种可操作的实验手段，可以去模拟一些在现实中没办法完成的问题，尽管只是模拟，但这种实践模拟所带来的对数学的体验却是真实的**。 ### 4）随机数 随机数本身是一个很有意思的话题，生活中有很多的事情我们也是当做随机事件来研究的。在数学中，甚至有专门的分支是研究与随机相关的事件与现象的。 不过人工的话却很难去模拟这些随机的事件，而通过编程，模拟随机事件就很简单了： - 模拟一个随机出现的位置、方向或颜色 - 模拟掷一个骰子可能出现的点数 - 随机生成 30 份数学成绩分数用于测试 - ... 在 Scratch 中，随机数的应用随处可见，少了随机性，很多作品就失去了灵性。 下面这个简单的作品没太多实际意义，不过用于感受随机数的应用效果还是不错。  程序代码其实很简单，就是把随机数应用到角色的不同属性上去，包括方向、大小、颜色、位置等。  在上编程课时，我还经常用到下面这样一个非常简单的 Python 程序，帮助我实现随机点名抽问，既公平，又有趣。 ```python import os import random # 学生姓名列表 students = ["Moon", "Yancy", "Kody", "Amy", "Poli", "Coco"] # 从姓名列表中随机选一个名字 name = random.choice(students) # 调用系统命令把名字读出来 os.system(f"say '{name}'") ``` 实际上，随机数在编程中也是一个非常重要的概念，它被广泛应用于模拟、游戏开发、密码学、数据分析等多个领域。 # 02 ## 感受几何与空间 西摩.派珀特（Seymour Parpert）在《因计算机而强大》一书中很较大篇幅讲到了通过编程去帮助理解几何与空间，有了 Scratch，配合上图形与动画，对于理解几何、位置、方向等概念再适合不过了，大家或多或少都接触过一些这方面的例子。 > 被称为 Scratch 之父的米切尔.雷斯尼克（Mitchel Resnickoy）就是西摩.派珀特（Seymour Parpert）的学生，Scratch 的设计理念本身也是受到了 Parpert 发明 Logo 语言的很大影响。 下面我们一起再来看看几个例子 ～ ### 1）坐标与位置 当我们利用编程去完成一些作品时，所有我们能在舞台上看见的东西，都是有一定的空间位置关系的。 最简单的，我们要将一个角色放到舞台中央，就需要知道「舞台中央」这个位置如何去表示？ 这个位置的表示其实就是对应于数学中的坐标，不过我们并不会去强调坐标这个抽象的数学概念，而是通过移动和变换角色的位置去体验这一组数的变化，从而更深刻的去理解这组数与角色位置之间的对应关系。  根据实践经验，孩子在编程创作的过程中，对这种对应关系会越来越熟悉，到后面坐标就只是一个名称而以，他们甚至不会觉得「坐标」是一个非常抽象的数学概念，这正是编程带来的非凡作用！当孩子以后在数学课程中学习到坐标概念时，应该会非常亲切的。 ### 2）运动与方向 在知名的袋鼠数学思维挑战竞赛（Math Kangaroo）中出现过这样一道数学思维挑战题：  对于小学低龄段的孩子来说，尽管他们辨别左右没问题，但要在运动的过程中去判断转弯方向，还是有点难度的，因为需要他们将自己代入小猫的角色，每次左转还是右转都取决去当前的位置与方向。 如果通过编程去完成，这种代入感会更直接，在编写代码的过程中，孩子们会很自然的把自己代入小猫这个角色，而且还可以通过尝试去调整，去感觉，这样的过程可以很好的帮助孩子去理解运动中的方向与位置。 下图是我们在 Scratch3 让小猫去完成的同样路线，左转和右转不再是靠想像，小猫成了孩子的替身，孩子通过左转和右转指令去控制小猫前行或转向。  甚至你可以发现，最终小猫是面朝下的，如果不转弯，它会一直朝下前行。 程序写完，只要效果达到，至于右转多少次，左转多少次，这就是一个顺带的结果，看看程序就一目了然了。 ### 3）几何图形与特点 众所周知，**通过编程去画图是非常有助于理解数学中的几何图形及其特性的**。在 Scratch 中，我们可通过画笔模块去绘制各种几何图形。 动态的多边形绘制，是我经常在课堂中使用的一个例子，整个过程从简单到复杂，逐步演进。 - 绘制基本的线段 - 绘制正方形 - 绘制三角形 - 绘制五边 - 绘制多边形 要正确的绘制出这些几何图形，从数学的角度来看，关键点在于要清楚要绘制的多边形的边数与每次旋转角度之间的关系。 这个关系在中学阶段是有公式去计算，但在小学阶段，我们不知道公式，怎么办呢？可以通过尝试 → 修正 → 再尝试 → 再修正 这样的迭代过程去一步步逼近最终效果。先尝试画正方形，再画三角形，再到画五边形 …… 从我们的教学实践数据来看，**通过试错和迭代，孩子是完全可以理解重复次数与旋转角度之前的关系的**。 重复次数（边数） x  旋转角度 = 360 度 实际上，在传统的学校教育中，这样的内容要在小学高年级甚至中学阶段才会接触到。而通过编程，运用简单的左转、右转指令，配合角度（90°、60°、360°）去绘制不同的几何图形， 这些抽象的数学概念对于二三年级的孩子来说也没有任何难度，旋转方向与角度在他们的头脑中的印象，比一些中学生还来得深刻。  # 03 ## 呈现规律与模式  > 在很多方面，数学 - 特别是有关空间、运动和重复行为的数学 - 是非常适合儿童的。 > --- 西摩.派珀特 重复本质上就是规律与模式，而规律与模式是编程与数学中的一个非常核心的共同主题，规律与模式也是体现数学与编程之美的核心所在。 ### 1）循环与乘法 我们从数学中最简单的乘法运算来看，大家都知道：乘法就是重复的加法。乘法其实就是加法的一种简便运算。 如：5x3 = 3+3+3+3+3，也就是5个3相加。 其实，如果用编程来理解，可以更加深刻，下面是一段刚学 Scratch 编程的孩子就能写出来的程序。  每次走 3 步，一共重复执行 5 次，一共也就是走了 5 x 3 = 15 步，这不就是乘法吗。 如果我们将这里的 5 和 3 交换一下，像下面这样：  每次走 5 步，一共重复执行了 3 次，从结果上来说，也是走了 5 × 3 = 15 步，从数学的角度来说，这不就是乘法满足交换律吗？ 继续，在重复执行积木块内部，还可以添加其它代码。比如说，我希望每移动 3 步停 2 秒钟，就可以这样。  本质上就是走 3 步，停 2 秒，这个组合动作一共重复了 5 次。 这个时候，你能把 5 和 3 交换吗？  走 3 步，停 2 秒，和走 5 步，停两秒，感觉上完全不太对了。 如果简化并抽象成数学符号表达，前者应该就是：5 x (3 + 2)，等于 25；后者简化的符号表达式为 3 × (5 + 2)，等于 21。结果也不同，造成的原因很明显，修改前，共停了 5 个 2 秒，共 10 秒；而修改后，只停了 3 个 2 秒，只有 6 秒。 > 当然，这里因为 3 代表的是步数，2 代表的是秒数，所以不能直接加起来。我们只是从数学抽象的角度，把所代表的实际含义去掉来看。 有意思的是，在这里，**编程为抽象的数学符号和概念找到了一种非常好的应用表达方式**。本质上他们是可以互换的，理解了一点，不仅有助于我们编程学习，更有助于我们的数学学习。 ### 2）图形与数学  > 一个数学的头脑，最显著的特色不是逻辑，而是美感。 > -- 《因计算机而强大》 在前面的几何与空间小节，我们利用编程去绘制了各种几何图形，通过编程，可以很好的帮助我们去理解图形、角度和旋转。 在前面创建的几何图形基础上，如果再以不同的方式重复起来，一种特别的美便呈现出来了。 仅仅调整重复次数和旋转度数，效果就很不一样了，这是一种由数学带来的秩序与法则之美，而且这种美通过编程以直观的方式呈现在我们眼前，这种感觉是非常棒的！ 下面左右两幅图案唯一的差别是循环的次数和旋转角度不同。  配合上变量，封闭的多边形就变成了下面的直角螺旋线，旋转的角度再稍微变化一点，出来的螺旋线图意想不到的漂亮哦！  大家再看看下面这组图形，这是我在实际上课中所用到的一组示例，用 Python 中的 Turtle 绘图模块完成的。直观上看，是不是另一种重复的规则之美呢？  具体如何实现，不是这里的重点，大家可以自己尝试去完成一下呢，在 Scratch 和 Python 都可以实现同样的效果。 以前我们读书的时候，要画几何圆形，需要借助直尺、三角板和圆规，而现在我们有了编程，我们就是拥有了一套真正的魔法工具，使用并不复杂，只需要会基础的一些编程指令，再配合一些简单的数学性质，剩下的就是你的想像和创造力了。 **「数」与「形」的结合一直在数学中有一种独特的魅力。直观的「形」往往给抽象的「数」以最生动的呈现和诠释。借助编程，你可以以一种全新的方式去体验数学之美！** 我还设计了一套特别的入门课程，基于 Python 的 Turtle 模块（或者 Scratch3 的绘图模块），编程学习并非从 "Hello World" 开始，而是从画一个基础图形（如圆点）开始，整个课程围绕数字与图形展开，不仅可以把编程的核心概念都覆盖到，而且完全契合了计算思维包括的四个方面：解构、模式、抽象和算法。如果有感兴趣的朋友可以找我继续聊聊这一块。 # 04 ## 帮助理解数学概念 > 任何一门学科，在孩子的任何发展阶段，都能以某种智识上诚实的方式，有效地教授给任何孩子。 > -- 杰罗姆.布鲁纳（Jerome Bruner） 在大量的教学实践中，越来越能深刻体会到布鲁纳这句话的价值所在。 在传统学校教育中，知识就像一个管道一样，整整齐齐，规规矩矩，按先后顺序排好，按步就班的输送给孩子。 实际上，**借助编程这种工具，很多数学知识并不需要按传统数学课程中的安排顺序来学习**。好一些数学概念在学校里还没有涉及到，但在我们的教学实践中，借助编程，孩子是完全可以理解的，而且可以理解得非常好。 一些看起来比较难的数学概念，通过编程在孩子的脑袋中已经建立了具体而真实的体验，当他们在学校里再去接触和学习这些抽象概念的时候，会有一种任督二脉被打通的感觉，这种体验是非常棒的。 这方面我选了几个比较典型的例子，来看看编程可以如何帮助到我们去理解一些复杂、抽象的数学概念。 ### 1）排列与组合 > 没有材料，也没有激励，孩子只能被迫以抽象的和摸索的方式来处理。 > -- 《因计算机而强大》 在《因计算机而强大》一书中，Papert 提到过一个组合实验：给孩子们若干彩色的珠子，让他们来对这些珠子进行所有可能的色彩组合。在传统的教学方式下，在进入五六年级之前，大多数孩子都没办法系统地、准确地完成这个操作。 Papert 提到，不是孩子在五六年级之前不能理解，**问题出在我们文化的本质上**，而对于经常接触计算机和编程的孩子来说，找出珠子组合其实就是编写一个简单的嵌套循环程序：首先选出一种颜色，再挑选出所有可能的第二种颜色，然后重复执行这个过程，直到所有可能的第一种颜色全都选过一次。 例如：一个口袋里有 12 个球，其中有三个红球，三个白球，六个黑球，从其中取出 8 个球，请列出所有的颜色搭配方式。 下面是通过 Python 去实现的代码： ```python for r in range(4): # r 代表红球，最少 0 个，最多 3 个 for w in range(4): # w 代表白球，最少 0 个，最多 3 个 for b in range(7): # b 代表黑球，最少 0 个，最多 6 个 if r + w + b == 8: print(f"{r} {w} {b}") ``` 运行程序，输出结果： ``` 0 2 6 0 3 5 1 1 6 1 2 5 1 3 4 2 0 6 2 1 5 2 2 4 2 3 3 3 0 5 3 1 4 3 2 3 3 3 2 ``` 上面列出了所有的组合方式，比如 `0 2 6` ，代表选 0 个红球，2 个白球，6 个黑球。共有 13 种搭配方式。 实际上，对于不同的组合，用编程去解决时，是采用了一种叫做枚举的「笨」方法，对于这种笨方法，计算机恰好是非常擅长的，它的能力比人类强太多了。 在教学过程中，也可以让同学们去枚举一下，正好锻炼一下大家枚举（不重复、不遗漏）的能力。 ### 2）枚举 我们用一个类似的，大家更熟悉的小学奥数例子： “鸡兔同笼” ，来看看用编程手段去解决和理解组合问题是多么简单。  > 这里我们就不细讲各种 “鸡兔同笼” 解法了，后面在讲人脑与机器脑的不同思考方式时还会讲到这一点。 很少人会把 “鸡兔同笼” 看作一个组合问题，其实如果我们把问题换一种说法，大家就明白了，若干只鸡和兔，共有 35 个头，94 条腿，通过鸡和兔的组合搭配（多少只鸡，多少只兔），刚好可以满足头和脚的数量呢？ 用编程去解决，思路也很简单，就是用笨办法。从 35 个头中选一个出来，假设它是鸡，那剩下就全是兔了，然后把它们所有的脚算一遍，看是不是刚好有 94 条腿，如果是的话就结束。如果不是的话，就再从 35 个头中选两个出来，假设它们是鸡，依次类推 ...... 直到找到的组合刚好是满足 94 条腿。 ```python for chicken in range(1, 36): # 鸡的数量可选范围 rabbit = 35 - chicken # 计算出兔的数量 if chicken * 2 + rabbit * 4 == 94: # 满足题目总脚数的要求 print(f"{chicken} {rabbit}") ``` 运行程序，得到结果： ``` 23 12 ``` 编程得出结果，共有 23 只鸡，12 只兔。 组合问题本质上就是一个枚举问题，简单的组合问题可以通过列表来完成，但对于数量比较大的组合问题，列表就不太可能了，而通过编程去解决再合适不过了。 ### 3）微分 微积分对于大多人来说，那都是高中甚至大学的课程，很多读过大学的人至今也没弄懂微积分到底是怎么回事。怎么会在小孩子的学习内容中出现呢？小孩子能懂吗？我们直接通过例子在体会一下。 前面在通过编程去画多边形时，大家可能已经发现了，随着多边形的边数越来越多，整个多边形的形状就开始慢慢接近圆形了。 实际上，当我把重复的次数（也就是多边形的边数）设置为 60 的时候，画出图形已经差不多是一个圆形了。  很神奇吧，实际上它仍然是一个多边形，只不过当多边形的边数越来越多时，每次甲虫转的角度也越来越小，多边形的每条边非常短，从视觉上我们看到的就是一个圆了。 同样的，我们前面见过的直角螺旋线图，将重复次数变多，旋转角度变小，线就会越变越光滑，最后就演变成下图右侧这样像蚊香一样的圆形螺旋线了。  如果觉得还不够，再做些改变，把数学中经典的斐波那契数列用图形呈现出来，下面是呈现的过程：  如上图所示，白色正方形的边长恰好对应于斐波那契数列的各项数字，而黄色曲线则是以正方形边长为半径画出的圆弧，最终形成的斐波那契螺旋曲线，又叫做黄金螺旋线，非常漂亮！  其实微分的本质是从有限到无限，**只是通过传统的教学手段，无限这个概念很难去表达**，因此微分的概念对于很多人来说很难理解，而通过编程，这一切变得非常简单了，略过复杂的概念与符号，**所有抽象的知识被赋予了具体的形态**，没有去学微积分，但实实在在触碰到了微积分的本质，这一点是非常重要的。 ### 4）分形 **分形几何**（Fractal Geometry），属于数学中几何学的一个分支，是一门以不规则形态为研究对象的几何学。分形几何的研究对象普遍存在于大自然中，例如我们熟知的雪花、树叶、云朵、海浪等，因此分形几何学也被称大自然几何学。 分形最大的特点是具有**自相似性**，无论是放大还是缩小研究对象，都会看到局部与整体具有相似的结构。局部是整体的缩影，整体是局部的放大。 这种自相似天然适合用编程中的递归思想来表达。**递归的本质是一种通过将问题分解为同类的子问题去解决问题的一种方法**，在编程中，递归是通过在函数中调用函数自身来实现的。 下面是一棵漂亮的分形树，我用 Python 的 Turtle 画图模块来实现的。  代码并不复杂，下面是最主要的绘制函数代码： ```python # 递归绘分形树的函数 def draw_branch(len, depth, size): if depth == 0: return pensize(size) forward(len); right(25) draw_branch(len * 0.8, depth - 1, size * 0.8); left(50) draw_branch(len * 0.8, depth - 1, size * 0.8); right(25) backward(len) draw_branch(50, 8, 6) ``` 上面是迭代的深度参数为 8 的运行效果，你可以修改迭代参数，下面是不同 depth 为不同值的效果，更能观察出分形的自相似特征。  # 05 ## 理解更底层的编程机制 **数学本质上并不需要依赖于某种装置，而编程一定是依赖于特定的计算机设备才存在的**。 实际上，如何大家够看到数学与编程的这种区别，可以帮助我们更好地理解一些计算机更底层的机制。 这里举两个例子，大家来感受一下。 ### 1）0.1 + 0.2 = ? 这个问题有点意思，在数学中，当然是一个非常简单的计算问题，所有小学生都会计算，结果是 0.3。 在计算机中呢，可就不那么简单了。 用你熟悉的编程语言，计算一下 0.1 + 0.2 ，看看结果是多少？ 在 Python 中： ```python print(0.1 + 0.2) ``` 在 C++ 中： ```cpp #include <iostream> #include <iomanip> using namespace std; int main() { cout << setprecision(17) << 0.1 + 0.2; return 0; } ``` 运行结果，都是： ``` 0.30000000000000004 ``` 实际上，在几乎所有的编程语言中去验证，都有这个问题，0.1 + 0.2 的结果并不等于 0.3。 基于还有一个专门的网站（域名也很有意思），记录了大部分编程语言对这个 0.1 + 0.2 的计算及结果。 [30000000000000004.com](https://0.30000000000000004.com/) 这里我们也不是为了要把这一点解释清楚，只是聊一聊这个问题存在的根源是什么。 在我们的日常生活（包括数学教育），绝大部分时候都是使用的十进制计数（逢十进一），在十进制中， 0.1 + 0.2 的结果是精确的数字 0.3。 在计算机内部，不管是什么数（整数还是小数），都是用二进制来表示的，也就是说，当我们在计算十进制的加法 0.1 + 0.2 时，计算机内部会把小数 0.1 和 0.2 转换为二进制来计算。 问题就出在这个转换上，当我们把十进制小数 0.1 转换为二进制数时，会得到一个无限循环的二进制数（就像我们在十进制中计算 10 除以 3 的结果一样）。这样就会存在一个精度问题，需要进行取舍，因此会出现 `0.30000000000000004` 这样的结果。 如果在输出时把输出的精度再设置高一点，还会得到后面更多位数的数字，比如： ``` 0.3000000000000000444089210 ``` > 具体如何把一个十进制小数转换为二进制数，这里就不赘述了，感兴趣的可以去查找相关资料。 实际上，除了熟悉的十进制外，我们在生活中也会用到一些其它的进制，比如： 1. 计时中的分钟、秒换算都是 60 进制 2. 年份，生肖，换算是 12 进制 3. 在软件开发领域中，经常用 16 进制来表示颜色（比如 `0xFF0000` 表示红色） 一直认为，**在小学阶段刚接触数的时候，多介绍一下不同进制的其它数是有好处的，哪怕是让孩子在心里有一个对不同进制数的模糊概念也好**。 关于不同进制数的表达和计算方法，不得不又提到一个人： James Tanton 教授，我们在前面讲到纸张对折的小节中提到他带领他的学生创造了 13 次的纸张对折记录。其实，James 还创造了一套名为爆炸点（Exploding Dots）的计数与运算方式，对于我们认识和计数不同进制的数非常有帮助，小学生也可以理解，感兴趣的可以去官方站点看看 [explodingdots.org](https://www.explodingdots.org/)。 ### 2）算法效率的考虑  > 算法，简单来说就是完成一个任务的步骤组合。在编程中，算法被定义为一组序列化的指令，这些指令描述了执行任务所要遵循的一系列步骤。 在计算机中，所有的资源（包括内存、CPU等）都是有限的，也正是有这种限制，在运用编程去解决一个实际问题时，通常会转换为一个可以优化的工程问题（是否省时、是否节约空间）。 对于一个算法来说，这就是一个算法效率问题，一般也会从时间和空间两个维度来考虑如何优化，对应于算法中的时间和空间复杂度分析。 实际上，当我们在谈到各种算法及算法效率时，所涉及到的很多算法（如求最短路径的 Dijkstra 算法），以及数据结构（如树、图）最初也都是源于数学上的研究。从这个层面上来讲，**编程与数学就是你中有我，我中有你**。 下面举一个简单的运用数学知识来提升算法效率的例子。 题目描述：判断一个大于 1 的正整数 $n$ 是否是质数？ > 质数（Prime number），又称素数，指在大于 1 的自然数中，除了 1 和该数自身外，无法被其他自然数整除的数。 > --- 维基百科 根据质数的定义，判断一个数是否是质数的算法步骤也很简单： 1. 除开 1 和自身，也就是从 2 开始，一直到 n - 1，检查 n 是否能被这些数整除 2. 如果 $n$ 能被其中任何一个数整除，则 $n$ 一定不是质数 3. 如果 $n$ 不能被上面的任何数整除，则 $n$ 是质数 下面是用 Python 实现的一个判断质数的函数 `is_prime()`： ```python def is_prime(n): for i in range(2, n): if n % i == 0: return False return True ``` 这段代码从逻辑和运算上都没有任何问题，不过其执行的效率还可以优化，利用一点点数学性质，就可以减少很多不必要的判断检查。 先看优化后的代码： ```python def is_prime(n): if n == 2: return True if n <= 1 or n % 2 == 0: return False for i in range(3, int(math.sqrt(n)) + 1, 2): if n % i == 0: return False return True ``` 这里优化了两个地方： - 如果 $n$ 是偶数，它一定不是质数。 - 从范围上来说，其实只需检查到 $\sqrt{n}$ 。这是因为如果 $n$ 有一个大于 $\sqrt{n}$ ​的因子，那么它必然有一个小于或等于 $\sqrt{n}$ 的因子。 经过简单的优化，算法的时间复杂度从 $O(n)$ 降到 $O(\sqrt{n})$ ，特别是对于很大的数 $n$，优化后的方法执行效率提升很明显。 更进一步，我们还可以通过埃拉托斯特尼筛法（Sieve of Eratosthenes）和线性筛法（Linear Sieve）来优化，这两个算法的时间复杂度可以达到 $O(n \log \log n)$ 和 $O(n)$ 。这不在我们当前讨论的范畴，有兴趣的可以自行了解。 这样的例子其实还有很多，**数学隐藏在解决问题的思路背后，时不时跳出来，四两拔千斤，往往会起到一些关键作用**。 # 06 ## 思考如何思考 > 计算机提供了一种非常具象的、实实在在的、特别的思考方式，它让我们更容易理解“思考方式”究竟是怎么一回事。 > -- 西摩.派珀特 本质上，计算机和人脑的思考方式是不一样的，在通过编程去学习的过程，你会慢慢体会到这种差别。**学习编程也有助于孩子去思考关于思考的问题，学习关于学习的问题**。 ### 1）调试策略 在传统的学习中，求解一个问题，要么是“正确的”，要么是 “错误的” ，孩子往往被告之的是：尽量少犯错，提高正确率。 而当他们开始编程时，很快就会发现程序几乎不可能一次性就写对，提升编程能力，本质上是不断培养他们发现问题及调试（修正错误）的能力。 > 计算机给我们提供了一个足够容错的试验环境，在这个环境中，鼓励动手和尝试，出错很正常，我们要做的是学习调试，通过不断迭代来优化，培养解决问题的能力。  从刚开始学习编程，我们就会告诉孩子，程序中含有 Bug（错误）是非常正常的，我们需要做的就是及发现这些问题，并尝试去优化和解决，有意识地不断改善它们。 > 实际上，专业程序员在他们的日常开发中，调试（查错并修正错误）所占的时间远超过了直接写代码的时间。 调试策略对于孩子的学习成长也有帮助，可以让他们意识到，**做一件事不可能一开始就完美的，一定是一个不断改进，不断优化的过程，这也可以培养孩子一种积极的、渐进式成长的态度**。 ### 2）不同的思考方式 > 让孩子有机会选择自己的思考方式，实际上是训练他们选择思考方式的能力。 > --- 西摩.派珀特 从小到大的学校学习过程中，我们其实很少去思考我们是如何思考的这件事情。 而运用编程去解决问题，它会迫使我们去解构思考的各个环节，去思考机器是如何思考的，人是如何去思考的。自然而然，这个过程也会帮助我们去认识到人脑与机器脑思考的差别。 来看一个我在真实课堂中的两个教学例子： 1. 累加求和 2. 爬台阶 #### 累加求和 在准备讲如何通过编程实现累加求和的内容时，通常我会先问问孩子，如何求解： 1+2+3+ ... +100 = ? ① 人的思考方式 大部分同学都听过天才数学家高斯的故事，首尾相加的和再除以项数的一半，甚至有些同学不假思索就可以回答出：5050 。 有同学更厉害，直接搬出了求和公式： $$ S = \frac{n(n + 1)}{2} $$ 好吧，这是标准的、纯粹的数学解答方式。对程序还比较熟悉的同学，立马可以写出下面的代码： ```python # 人（数学）的思考方式 n = int(input()) s = n * (n + 1) // 2 print(s) ``` 程序很简单，运行结果也正确，这样写当然也没什么问题，但我们会告诉孩子，**这是数学的思考方式，并不是机器的思考方式**。 这种方式不够灵活。 为了让他们意识到，记住这个公式并不是万能的，我会把问题稍微换一下，比如，你们能帮计算一下 1 到 $n$ 中所有是 2 的倍数，但不是 3 的倍数的这些数的和吗？ 大家一下就懵了，我们脑袋里没这样的数学公式呀，怎么办？ 正好我们可以看看如何以编程的方式来思考这一类问题。 ② 机器的思考方式 我们来看看机器脑怎么去解决这个问题，思路非常简单，一个一个加呗，有多少个加多少个，如下图所示。对于人来说这不太现实，对机器来说，太容易了。  这种方法在编程中还有一个专门的名字：**累加求和**。Python 的实现代码如下： ```python # 机器的思考方式，一个一个加 n = int(input()) s = 0 # 总和 for i in range(1, n + 1): s = s + i print(s) ``` 程序也容易理解，就是从 1 开始，一个一个加到结果 `s` 中去，循环完成，结果就是我们最终得到的数字之和。 程序很听话，而且运算速度很快，哪怕你输入一个 100000，它也会立刻帮你计算出来从 1 加到 100000 的结果。 同样的程序，稍作修改（其实就是加个条件判断），就可以完成求 1 ~ n 当中所有是 2 的倍数，但不是 3 的倍数的数的和。下面是调整后的 Python 代码。 ```python n = int(input()) s = 0 # 总和 for i in range(1, n + 1): if i % 2 == 0 and i % 3 != 0: # 满足是 2 的倍数，不是 3 的倍数的数，才求和 s = s + i print(s) ``` 而且这一类的问题都可以用这样的「笨」方法来解决： 1. 用循环把所有情况都列举出来。 2. 根据所需的条件进行筛选，满足条件的留下（对满足条件的数可以求和、可以计数，也可以进行其它操作），不满足条件的舍去。 3. 最后按题目要求进行输出即可。 人很聪明，所以会总结上面这样的数学公式；而机器很笨，看起来只会一些非常简单的计算，但它的厉害之处在于，它比人脑计算得更快、更准确，它可以一秒钟内就完成成千上万次这样的计算，这一点人脑就远远赶不上了。虽然看起来笨，但这样的方法还很灵活，管用！ ③ 融合思考法 有没有既能利用人脑的特点，也充分利用机器的特点，把两者的优势结合起来的方式呢？当然有。 假设我们用一个函数 sum(n) 来表示从 1 加到 n 的和，要求 sum(n)，我们只需要知道 sum(n-1) 就行了，因为我们可以用 sum(n-1) 来表示 sum(n) `sum(n) = sum(n-1) + n` 这是一种数学上的表达式，要求 sum(n)，只需要知道 sum(n-1)，要求 sum(n-1)，只需要知道 sum(n-2) 就行了，一直往下，最终只需要知道 sum(1) 就行了，而 sum(1) = 1，是已知的，再反推回去，整个问题就解决了。 这种方法在数学中被叫做归纳法，一般要到高中才学。而在编程中有对应的算法策略：**递归**。  递归的思想其实很好理解，本质就是一种通过将问题分解为同类的子问题去解决问题的方法。但思想虽然好理解，要用人脑去计算却很不方便，人脑并不太适合这种大量重复，还需要记住中间过程的计算方式，而编程刚好特别适合这种重复、有规律的计算方式。 上面求和的问题如果在编程中用递归来解决，Python 参考代码如下： ```python # 融合的思考方式 n = int(input()) def sum_recursive(n): if n == 1: return 1; else: return n + sum_recursive(n - 1) # 将原问题分解为更小的子问题 print(sum_recursive(n)) ``` 同一个问题，三种解法，代表了三种完全不同的思考方式。**计算机编程的「魔力」给我们提供了一种强有力的工具，让孩子可以去选择自己的思考方式，实际上也是在锻炼他们选择思考方式的能力**。 关于不同的思考方式，再来看一个例子，应该会有更多的感觉。 #### 爬台阶 爬台阶，最初这是我给女儿讲过的一个关于思维拓展的例子（忘了这个例子的最初来源了，但很常见）。  在小学阶段，台阶数往往都很少，只需要通过枚举，在保证不重复、不遗漏的前提下，把所有的跳法罗列出来即可。更多是锻炼一种有序思考的基础能力。 ① 画图法 一级一级地跳，只有一种方式，两级两级的跳，也只有一种，如下图所示。  跳一级和跳两级混合起来，共有下面三种情况：  总结下来，一共有 5 种上台阶的走法。 ② 数字组合法 把上述的方法变得更「数学」一点。 那如要台阶数变得更多后怎么办呢？我们将题目的已知条件用数学的方式再来描述一下。 4 级台阶，一步只能上一级或两级，也就是说，如果我们把 4 做一个的拆分，而且只能拆成 1 或 2，一共有多少种拆的方法？ 经过这样的转换，问题就变得很简单了。我们来看看 4 的拆法。 将 4 拆成 1 和 2 ，一共有下面五种拆法： 1. 4 = 1 + 1 + 1 + 1  （一级一级跳） 2. 4 = 2 + 2  （一级一级跳） 3. 4 = 2 + 1 + 1 （混合跳） 4. 4 = 1 + 2 + 1  （混合跳） 5. 4 = 1 + 1 + 2  （混合跳） 得到同样的答案，一共有 5 种上台阶的走法。 ③ 数学与编程拓展 这个任务可以更复杂一点，比如把题目改为：**学校大楼前共有 30 级台阶，若规定，一步可以上一级，也可以上两级，还可以上三级台阶，请问要走上这个台阶共有多少种不同的走法呢？** 感觉题目一下就难了，这时候想要通过枚举的方式把所有不同的走法罗列出来简直不太可能！ 实际上，我们仍然可以通过观察得出一个规律，从第三级台阶之后，要跳到任意第 n 级台阶，只可能有下面三种情况： - 从第 n-1 级，跳一级上来； - 从第 n-2 级，跳两级上来； - 从第 n-3 级，跳三级上来；  我们可以归纳出下面这样的一个数学公式： $$ f(n) = f(n-1) + f(n-2) + f(n-3) $$ 这里的 $f(n)$ 表示如果有 $n$ 级台阶，共有的走法总数。 从数学的角度来说，就到此为止了，因为就算你得到这样的公式，你也不太可能人工去计算出如果有 30 级台阶，共有多少种走法。 而通过编程，我们可以在上面这个递推的数学公式基础上，更进一步，直接把有多少种走法具体求出来。 下面这段简单的 Python 代码，可以求出任意 $n$ 级台阶，按上述跳的规则，所有的走法总数。 ```python n = int(input()) f = [0] * (n + 1) f[1] = 1 # 如果只有一级台阶，共有 1 种走法 f[2] = 2 # 如果只有两级台阶，共有 2 种走法 f[3] = 4 # 如果只有三级台阶，共有 4 种走法 for i in range(4, n + 1): f[i] = f[i-1] + f[i-2] + f[i-3] # 直接利用前面得到的递推公式 print(f[n]) # 有 n 级台阶，所有的走法总数 ``` 输入 $n$ 为 30，运行程序，立即会得出结果： ``` 53798080 ``` 竟然有 5000 多万种走法，就像前面的纸张对折一样，当得出具体结果时，又是一个令人惊讶的时刻。个人觉得，这就是编程的强大力量所在，尽管求出结果和不求出结果，看起来关系不大，但给你带来的体验是完全不同的。 要解决一个实际问题，第一步往往是需要通过一些数学知识去找到解决方案，第二步是借助编程去真正的把这个问题解决掉。 **数学是偏符号化的、抽象程度更高的；编程是更具体的，通过编程更容易得到可观测的结果。** 以这样的方式来体验数学与编程，相信你会对学习感上兴趣的。 希望通过这个例子，能给大家带来更多启发和思考。 --- # 07 ## 与数学课标的关系 为什么会扯到数学课标上来呢，基础数学是一门发展了很久，已经非常稳定的学科，大纲从某种程度上划定了整个学校教学和考评的框架，从大纲对应的点来思考与编程的相互作用是有一定参考价值的。 教育部在 2022 年 4 月印发了最新版的[义务教育课程标准](http://www.moe.gov.cn/srcsite/A26/s8001/202204/W020220420582346895190.pdf)，其中数学课标里有一段对小学阶段和中学阶段的数学核心素养作了很精彩的说明。 **小学阶段侧重对经验的感悟，初中阶段侧重对概念的理解。** > 小学阶段，核心素养主要表现为：数感、量感、符号意识、运算能力、几何直观、空间观念、推理意识、数据意识、模型意识、应用意识、创新意识。 > 中学阶段，核心素养主要表现为：抽象能力、运算能力、几何直观、空间观念、推理能力、数据观念、模型观念、应用意识、创新意识。 如果对应上面对编程与数学关系的描述及示例呈现，应该可以发现，**数学与编程结合，其实可以很好的覆盖到课标中对核心素养的培养范围**，而且上面这些核心素养，仅仅通过传统的数学教育方式和手段，是比较难去培养和锻炼的，编程在这一块刚好可以起到补充和助力作用。 可以说，有了编程的助力，数学学习就像插上了翅膀，不仅可以飞得更快，还可以飞得更高，当然，更重要的是，无论是学习编程还是数学，都更有趣了。 # 08 ## 后记 >We shape our tools and then our tools shape us. 我们塑造了工具，而后工具也在塑造我们。 --- 麦克卢汉 「学编程，更是通过编程去学习」，希望我上面的长篇赘述可以让你体会到这一点。 **任何一门学科都不是孤立的**，只是在现代的学校教育体制下，为了便于教学才有了分科，学科越来越细分后，不同学科之间的距离也就越离越远了，不只是学生，可能连老师也都慢慢忘了不同学科之间的关联，实际上学科之间天然就是可以相互融合，相互促进的！ **计算机与编程为我们提供了一种丰富的文化环境，在这种环境下，每个学科都可以得到更多滋养，生长得更好**。尤其数学、物理、艺术这些学科，后面我还会通过更多的文章去聊编程与不同学科相互促进的教学实践。 近两年，伴随着 AI 的出现，时常有言论，程序员都要失业了，还学什么编程呀，希望通过这篇文章，至少能让大家**从另一个侧面看到，编程的对于学习的价值所在**！ 这可能也正是为什么 Papert 在 30 年前写的《因计算机而强大》一书，到现在来看也不过时的原因吧！ > 说明：这篇文章两年前写的第一版，当时有不少人喜欢，通过这篇文章还认识了好一些编程爱好者和教育工作者，这次把一些觉得有必要的内容增补上来，大概三分之一的改动吧，算是一个修订版！ ## 参考资料 - [《因计算机而强大》](https://book.douban.com/subject/30418117/)，作者 Seymour Papert（西摩.派珀特），特别推荐 - [乔布斯：遗失的访谈](https://www.bilibili.com/video/BV1Gx411P7jp/?vd_source=ecaa8c371c1c52f19e99a34f0967e009)，一份 1995 年对乔布斯的访谈视频，当时他还没重返苹果，从访谈中可以看这位苹果创始人的思想与远见 - [爆炸点系列01-重新认识数的表示与运算](https://www.dailyup.blog/posts/exploding-dots-intro01)，一篇介绍 Exploding Dots 的文章 - [爆炸点系列02-负数的引入及运算](https://www.dailyup.blog/posts/exploding-dots-intro02) - [0.30000000000000004](https://0.30000000000000004.com/)，收集了 0.1 + 0.2 这个问题在不同编程语言下的表现 - [Record folders of paper](https://www.keranews.org/2011-12-05/record-folders-54-000-feet-of-paper-13-folds-one-new-standard)，James Tanton 带领学生完成纸张对折纪录的新闻 - 来自 [Hana Murray](https://twitter.com/MurrayH83/status/1542951943345020928) 的一张有意思的实物拼图 - [义务教育数学课程标准（2022年版）](http://www.moe.gov.cn/srcsite/A26/s8001/202204/W020220420582346895190.pdf) ## 更新说明 相较于公众号版本，博客版本主要做了以下更新： - 修正了一些错别字 - 修正了一些图片（如文章开头关于本文的内容概要图）与链接 - 补充了部分图片（如累加求和的示意图） - 将累加求和公式从图片抽象成 `LaTeX` 公式 - 其它一些小修改 --- 关于通过编程去学习这个话题，如果你有一些思考，想要交流或分享，欢迎联系我，期待有更多有趣、深入的讨论！  https://dailyup.blog/posts/2022-09-16_blog_spaced-repetition-practice/https://dailyup.blog/posts/2022-09-16_blog_spaced-repetition-practice/如何记住任何东西？基于间隔重复的学习实践Fri, 16 Sep 2022 00:00:00 GMT  本文为作者原创，欢迎分享，若需转载请联系微信（ddupxyz），谢谢！ > 灵感也不过是熟中生巧，长期锻炼的结果。 > ---- 朱光潜《谈美书简》 ## 一、缘由 孩子刚上小学，与学习直接相关的事也越来越多了，除了日常的生活习惯外，也希望引导她去养成更好的学习习惯，早点掌握学习的元技能：如何学习！ 从哪一块入手呢？ 日常和女儿玩耍时，经常会和她玩你问我答的小游戏，话题基本上与她最近学习或阅读的内容相关，她会来考我，我也会去考她，效果还挺不错的～ 但在这个过程中发现一个问题，刚学的内容一般都记得很清楚，除了极个别外，大部分内容过段时间就模糊了，要么记混，要么就忘了。 如何通过更科学的方法来学习和记忆，让学习的内容从短时记忆转到长时记忆？恰好这一块有一点点经验，不过之前没有去系统梳理过，也没想过可以帮助孩子更好地去学习。 经过一段时间的实践，发现效果挺好的，分享出来 ～ 带娃的家长可以试试（当然，成人同样可以用，我也用这个方法在背宋词，学英语，甚至学数学） 该方法基于三部分内容： - 艾宾浩斯遗忘曲线（Ebbinghaus' Forgetting Curve） - 间隔重复理论（Spaced Repetition） - 莱特纳学习方法（Leitner Learning Method） 每部分都值得详细说说。 ## 二、艾宾浩斯遗忘曲线 > 在一段较长的时间内多次学习（间隔重复），而不是在短时间内反复学习，学生更容易记住或学会这些内容。 > \ > ---- 赫尔曼.艾宾浩斯 很多人都知道艾宾浩斯遗忘曲线（Forgetting Curve），就是长得像下面这样的一条线，这一曲线最早由德国著名的心理学家赫尔曼.艾宾浩斯（Hermann Ebbinghaus）通过 1880 年到 1885 年之间的一些实验提出。  艾宾浩斯遗忘曲线提示了这样的遗忘规律，遗忘是先快后慢的，在学习后最初的 24 小时，你会忘掉绝大部分学到的内容，但一天之后遗忘速率就变得平缓了，大致有下面这样的结论： - 20 分钟后，42% 被遗忘掉，58% 被记住。 - 1 小时后，56% 被遗忘掉，44% 被记住。 - 1 天后，74% 被遗忘掉，26% 被记住。 - 1 周后，77% 被遗忘掉，23% 被记住。 - 1 个月后，79% 被遗忘掉，21% 被记住。 > 当然，遗忘的速率除了与时间相关外，学习的内容是否感兴趣，是否有重要意义，是否情感相关都有很大关系，我们在这里只讨论时间这个重要的因子，内容相关影响另开主题讨论。 自然会想到，如果在上面的几个关键时间点（20 分钟、1 小时、1 周、1 个月）加入复习，记忆的巩固效果肯定会更好（本质上是完成从短时记忆到长时记忆的转换）。 事实也确实如此，而且有不少认知心理学家在这方面积累了很多实验成果。其中最著名的一个成果就是间隔重复（Spaced Repetition）效应。 ## 三、间隔重复理论 > Repetition is the key to real learning. > 重复是真正学习的关键所在。 > ---- Jack Canfield  为了减缓遗忘的速度，每隔一段时间，重新回顾之前学习的内容，可以极大帮助我们记住更多的内容。经过间隔重复的巩固学习后，遗忘曲线就变成了上面的样子，可以看到，通过间隔重复学习，我们可以将记忆留存的准确率提升到 90% - 100%，这样的结果还是很令人振奋的。 简单来说，间隔重复（Spaced Repetition）是一种利用心理学间隔效应，通过不断复习所学内容并逐步增加两次复习间的时间间隔来提升效率的学习技巧。 我们可以利用间隔重复效应来学习几乎任何东西，从背单词到记诗词，从记术语到熟练掌握数学公式，大量示例都证实了非常有效。 关于间隔重复，有个很关键的问题：间隔重复的频率如何确定？ 要回答这个问题，不得不提到一个人，彼得.沃兹尼亚克（Piotr Wozniak），1982 年，彼得还是个大学生，他遇到了很多学生都会遇到的一个问题，要学习大量的学习材料，而令人沮丧的是，每次考完试，所有学习的内容很快就忘记得差不多了。 彼得花了大量的时间研究如何减少遗忘这个问题，并尝试以问答的方式，在不同的时间间隔去学习，在大量的实践过程中，彼得不断优化和迭代他的间隔重复算法，这些算法影响了现今许多与抽认卡（Flashcard）学习相关的工具软件。 基于自己的研究，彼得还与朋友一起成立了 SuperMemo World 公司，并发布了 SuperMemo 应用程序，一直以来 SuperMemo 在间隔重复算法方面都是非常领先的。我们经常听到的卡片记忆工具 [Anki](https://ankiweb.net/) 也是基于 SuperMemo 当初的 SM-2 算法（SuperMemo 的算法现在已经更新到 SM-17 了）。下面这张图是彼得当时通过间隔重复去学习的一张记录图。  不过，这里我们暂时不关心背后复杂的算法实现，我们只是需要找到一种简单有效、更易执行的方式去实践间隔重复学习就可以了。 接下来要分享的莱特纳盒子（Leitner Box）就是一种很好用的间隔重复练习方法，下面来介绍一下。 ## 四、莱特纳学习法 > 我们塑造了工具，而后工具也在塑造我们。 > \ > ---- 麦克卢汉 塞巴斯蒂安.莱特纳 (Sebastian Leitner) 和艾宾浩斯一样，也是一名德国的心理学家（1919-1989）。莱特纳在 1970 年左右出版了他的重要著作《So lernt man lernen (How to learn to learn)》，在这本书中，他引用了艾宾浩斯的遗忘曲线，发明了以他自己名字命名的盒子：「莱特纳盒子（Leitner Box）」，也就是他书中说到的学习卡片箱，这是一种利用「间隔重复」的来提升学习效率的间隔练习体系。 ### 1. 抽认卡 抽认卡也称闪卡（Flashcard），是由莱特纳在 20 世纪 70 年代提出的，他建议把学习的内容进行拆分，分成一张一张独立的问答卡，正面是问题，背面是答案，学习者可以通过能否回答出卡片的问题来判断这张卡片的内容是记住了还是没有记住。  > 现在也有很多支持电子闪卡的软件工具，最著名的应该是 [Anki](https://ankiweb.net/)。本文主要讨论实体卡片，更适合孩子使用。 ### 2. 莱特纳盒子 为了管理这些卡片，莱特纳建议可以制作像下面这样的一个学习卡片箱，也称为莱特纳盒子 （Leitner Box）。  卡片箱一共 5 格，格子里面放要学习的抽认卡，其中 1 号格子中的卡片内容最为生疏，巩固复习的频率更高；2 号格子其次，越后面格子里的卡片越熟练。 我们在使用时，以复习 3 号格子里的卡片内容为例，从 3 号格子里抽出一张卡片，通过问答进行测试，如果这张卡片的内容已经掌握，就把它放到 4 号格子里（升级）；如果这张卡片的内容没有掌握，则把这张卡片放回 2 号格子（降级到前一个格子）。 > 另一种方法是将记不住的卡片直接放回到 1 号格子（降级到 1 号格子）。   规则是：只有当一个格子放满了卡片，才会复习这个格子里的卡片。莱特纳盒子中的每个格子厚度都不一样，这就决定了越在前面格子里的卡片复习的频率就越高。 莱特纳盒子在利用间隔重复效应提升学习效率方面改进了很大一步，但仍然存在一些问题，比如说，卡片复习的频率应该与时间相关性更高，通过装满格子来决定卡片复习的频率这种间接的方式并不太准确（在下面的实践介绍里我们可以通过间隔重复算法表来完美解决这个问题）。 下面来分享一下我带女儿通过莱特纳盒子进行学习的一些经验，这些实践一方面参考了别人的一些经验分享，另一方面是自己在实践中不断迭代后的总结。 --- ## 五、莱特纳学习法实践 ### 1. 卡片的选择 卡片，我选择的是最普通的一种索引卡，搜索「index cards」就可以找到，一般有多色、横线或网格的不同类型，我选择的是下面这种多色的横线版，76mm X 126mm 高宽，大小也比较合适。  ### 2. 卡片的书写 卡片的内容不限，可以是诗词、英语、文化常识，甚至一个数学知识点。目前给女儿的卡片这几类都涉及到了。 在写卡片前，有几点需要注意 1. **内容原子化**。一张卡片只写一个点，问和答表述清楚。这是一个粒度划分的问题，很多人刚开始写卡片的时候，会像平时记笔记一样，将很多个要点都写在一张卡片，这样其实不利于记忆以及后面的复习。 2. **记录日期**。记下写这张卡片时的日期，写日期主要是为了在任何时候一旦抽出一张卡片，就能知道这个知识点是在什么时候产生，对学习的推进有一个时间维度上的观测和把控。 3. **注明来源**。写上这张卡片内容的来源。这点非常重要，主要是为了帮助你在回顾的时候查考来源，更加方便去验证，了解上下文更多。 下面是女儿正在使用的卡片示例，因为她才一年级，所以目前的卡片都是由我来帮忙书写的，稍大一点，由她自己来书写会更好。    ### 3. 莱特纳盒子的制作 本来准备自己动手用鞋盒来制作的，结果去某宝逛了一圈，意外的找到了非常适合直接拿来使用的盒子，而且 7 格的设计也刚好匹配上后面的间隔重复算法，完美。可能店家也想不到会有人拿来这样用吧，大部分人买回去都是拿去装像钥匙、证件，甚至袜子这样的小东西。 拿回家装好，贴上标签，一个完美的莱特纳盒子就完成了，取了个名字「书姐的学习盒子」，感觉上还挺好的。  ### 4. 间隔重复算法表 使用莱特纳盒子来学习，很关键的一环是，我怎么快速知道今天应该复习哪个格子里的卡片？有支持相关算法的软件工具可以帮助计算，而经过几轮实践，最终自己制作了下面这样的间隔重复算法时间表，打印出来，非常好用！   这两张图示看着有点复杂，给大家解释一下，其实很简单：把一个大的复习周期设定为 64 天，每天应该复习哪个格子里的卡片已经事先预定好了，直接查找后去执行就可以了。 举个例，假如说今天是这个复习周期的第 20 天，对应上面的表格，可以快速的查到，第 20 天应该复习 B1（格子 1） 和 B4（格子 4） 里的卡片，简单快速。 ## 六、每天的使用流程 一般来说，我会每天抽一个比较固定的时间来和女儿一起过一遍 「书姐的学习盒子」中的内容。 **1. 新卡片制作** 我一般会在头一天根据当天学习的情况，制作新的抽认卡，并放到 B1，B1 里的卡片不应该特别多，不超过 5 张最好（只是一个经验值）。 **2. 确定要复习的盒子** 拿出 「间隔重复算法表」，找到当天日期及对应应该复习的盒子编号.比如说今天（2022-05-06），刚好是这轮学习周期的第 20 天，快速一查，立刻知道今天应该复习 B1（1 号盒子） 和 B4（4 号盒子） 里的卡片。 **3. 开始复习** 先从后面的盒子开始复习，那今天就应该先复习 B4 里的卡片，从中任取一张，如果能顺畅记住，就把这张卡片放到 B5；如果记不住，可以多熟悉一下，再把这张卡片放回到 B3。 然后再来看 B1 格子里的卡片，同样，能顺畅记住的就放到 B2，记不住的话多记几遍，仍然留在 B1。 **4. 完成后作好标记** 当天复习完成后，可以在算法表日期前面打个勾表示当天完成。随着时间的推移，整个卡片从左边的盒子往右边的盒子推移，最终会汇入 B7，当一张张卡片进入到 B7 时，恭喜你！因为 B7 里的这些卡片内容你已掌握得非常熟练（已经进入长时记忆），可以归档了。 随着被归档的卡片越来越多，那种累积的成就感是无与伦比的。 ## 七、更多思考 目前的抽认卡片仍然比较独立，因此从学习的角度来说仍然是知识点复习为主，记忆偏多。有了这个基础，未来还可以朝向[卢曼卡片学习法](https://zettelkasten.de/introduction/zh/)过渡，卡片与卡片之前建立联系，知识形成网络，网络涌现创造，真正从记忆学习系统转向学习创造系统。 ## 八、常见问题 **1. 电子卡片与实体卡片优劣？** 关于实体与电子卡片，经过实践下来，对于孩子学习来说，实体卡片完胜，抽出和放入卡片的感觉是非常好的，每个格子大概多少张卡片也一目了然，而且家长还以可和孩子一起玩你问我答的卡片游戏。 电子卡片当然有自己的优势，更适合成人使用，从记忆的角度来说，使用像 [Anki](https://ankiweb.net/) 这样的工具，内置了间隔重复算法，直接使用即可，每天会自动提示你应该过的卡片，很方便。 再一步，如果想使用像[卢曼卡片这样的学习方法](https://zettelkasten.de/introduction/zh/)，使用电子卡检索更方便，知识点关联也更容易实现，更适合成人作为卡片学习创造系统，我自己现在就是用 [Obsidian](https://obsidian.md/) 作为自己的卡片学习创造系统，使用效果也非常好。 **2. 每天卡片创建与复习时长是多少？** 以自己带女儿学习的数据来看，平均每天会产生 2 ～ 5 张卡片，每天花在学习盒子上的时间在 20 分钟左右，不会有太大压力，节奏感也不错，效果却很明显。 **3. 卡片内容仅限于记忆类的内容吗？** 不一定，尽管抽认卡（Flashcard）很适合记忆类的内容，但在实践中，也引入过像一些数学思维的小任务，完全没问题。 但抽认卡确实不太适合那种发散性的问答，因为发散性的问题没有一个明确的检验标准，很难判断掌握得熟练还是不熟练，整个流程的推进就不会太顺畅。 ## 九、拓展阅读 - [How To Remember Anything Forever-ish](https://ncase.me/remember/) - [How the SuperMemo Method Works - A Comprehensive Guide](https://www.supermemo.com/en/about-supermemo-method#/) - [卢曼卡片盒笔记法介绍 (Introduction to the Zettelkasten Method)](https://zettelkasten.de/introduction/zh/) - [How to Remember More of What You Learn with Spaced Repetition](https://collegeinfogeek.com/spaced-repetition-memory-technique/) - [Spaced Repetition for Efficient Learning](https://www.gwern.net/Spaced-repetition) --- > 前面的间隔重复算法表是自己制作的模板，如果需要可打印的高清 PDF 以及盒子相关的购买链接，可以加我微信（ddupxyz）或发邮件 jexchan@gmail.com 索取，麻烦注明你的用途，我可以发你！ --- https://dailyup.blog/posts/2021-12-10_blog_exploding-dots-intro02/https://dailyup.blog/posts/2021-12-10_blog_exploding-dots-intro02/负数的引入及运算，通过爆炸点机器，让孩子轻松理解负数及其运算。Fri, 10 Dec 2021 00:00:00 GMT  本文为作者原创，欢迎分享，若需转载请联系微信（ddupxyz），谢谢！ > 任何一门学科，在孩子的任何发展阶段，都能以某种智识上诚实的方式，有效地教授给任何孩子。 > \ > --- 杰罗姆.布鲁纳（Jerome Bruner） 在前一篇文章：[花 15 分钟，重新认识数的表示与运算](https://www.dailyup.blog/posts/exploding-dots-intro01) 中，给大家介绍了爆炸点这种很有意思的数字表示与运算系统，今天我们接着来进一步看看它的神奇之处。 ## 一、反爆炸介绍 我们先来看看用 1 ← 2 表示的数字 1111，表示出来如下图所示：  回想一下爆炸的规则，从最右边的格子开始，从右向左爆炸，每个盒子里的 1 个点相当于与它相邻右边盒子里的 2 个点爆炸替换而来。 也就是说右边第 2 个盒子里的 1 个点其实是由右边第 1 个盒子里的 2 个点爆炸替换而来的，而右边第 3 个盒子里的 1 个点又是由右边第 2 个盒子的 2 个点爆炸替换而来，也就相当于右边第 1 个盒子里的 4 个点爆炸替换而来。 > 注：当我们在说一个数字（比如 13）用 1 ← 2 爆炸点机器表示为 1101 时，13 这个数字指的是我们日常生活中所用的数字（由 1 ← 10 表示） 上图中下方的数字表示出了当前盒子里的 1 个点相当于最右边盒子里的几个点爆炸替换而来。根据每个盒子 1 个点所代表的数字来计算，1111 还原回去应该是数字：8+4+2+1 = 15 。 假如我们将 1111 一步一步还原的话，过程如下图所示，这种还原的方式我们可以称之为反爆炸。  如果是 1 ← 3 的爆炸点机器呢？根据爆炸规则 ，那就是 3 个点爆炸并被相邻左边盒子里一个新的点替换，1111 在 1 ← 3 爆炸点机器里表示出来如下图所示：  你能通过反爆炸规则得出爆炸前第一个盒子里的数字原本是多少吗？ 有了前面的铺垫，我们再来看看一种特殊的一类场景，用爆炸点机器如何来表示。 ## 二、负数的引入 > 其实，早一点引入负数对于孩子学习数学是有帮助的，只是传统引入负数的方法不是特别好，而 James Tanton 用了一种非常巧妙的方法来引入负数，最终通过爆炸点来统一表示，非常容易理解。 在生活中，经常会遇到一些相反意义的量。比如说： - 收支记录：我们在记录自己每天的收支时，可能今天收入了 200 元，但支出了 300 元，同样的数字，一个是表示收入，一个是表示支出，用数字如何体现出收入与支出的差别？ - 楼层表示：家里住的高楼或办公写字楼，一般是从地面开始计算，1 楼、2 楼、3 楼，但地面以下的停车场呢，用数字如何表示？ - 温度表示：零度以上是 1 ℃、2℃、3℃，但有些冷的地方会到零下，零下的度数用数字如何表示？ 为了简化，我们用一组比较容易理解的相反意义的量来做类比。 小时候大家都喜欢玩堆沙子的游戏，我们用下面的一组符号来表示沙堆和沙坑，一个沙堆通常对应着挖出的一个沙坑，一个沙堆和一个沙坑合并，刚好抹平，我们可以用下面简化的图示运算来表示沙堆与沙坑之间的关系：  如果有多个沙堆和沙坑呢？容易得出下面的运算关系：  如果一个沙堆用数字 1 来表示，一个沙坑用数字 -1 （读作负一）来表示，刚好抹平的沙子用 0 来表示。上面的运算过程配上数字表示，如下图所示：  沙堆和沙坑这个类比挺好的，但每次画沙堆和沙坑不太方便，而且为了和咱们的爆炸点结合起来，我们再作一次简化（抽象），用实心的圆点代表沙堆，用空心的圆点代表沙坑。 经过再次简化，转换为下图所示（最后红色的为数字 0）：  ## 三、用爆炸点实现负数运算 你会发现，负数并不神奇，它仅仅就是用负号（-）表示的一种“沙坑”而已 😀。 有了这个基础，我们常见的数字基本运算其实完全可以用实心或空心圆点来表示。比如说：  换个角度来看减法，其实很好理解，6 - 2 可以写成 6 +（-2），4 - 6 可以写成 4 + （-6），不要老想着 4 - 6 不够减，怎么办呀？ 我们传统教学中学习减法的时候，为了便于理解，是借鉴了日常生活中的现象来解释减法的，如：我有 5 个苹果，分给弟弟了 3 个，还剩下几个？如果一开始就陷入这种表达，3 - 5 反而不好解释了。 实际上我们应该反过来，通过一种更中立的方式引入“负数”，再用不同的生活现象去表达负数的意义，反而能更好的去理解什么是“负数”。 > 下面的讨论中，如果不特别说明，默认指的都是 1 ← 10 表示的数字，也就是我们日常生活中用的十进制数字。 下面我们用爆炸点的方式来看一看小学阶段的减法问题，比如： 计算：`468 - 132 = ?` 为了更容易理解，我们还是用 1 ← 10 爆炸点机器先把两个数分别表示出来，如下图所示，在画点的时候，最好是从最右侧开始画点，这样就不用去关心位数了。  也可以直接把相减的两个数写到一起，更方便计算一些。  实心与空心圆点的运算规则我们已经知道了，很容易得到结果为：336。 再来计算一个更复杂一点的： 计算：`413 - 256 = ?` 第一步，先用 1 ← 10 的爆炸点机器表示出来，然后按照规则进行计算：  比较有意思的是，这里我们得到的结果为 2 | -4 | -3，虽然看起来很奇怪，实际上这个结果是对的，只是这样的表示和我们通常认识的数字不太一样而已。 > 为了结果看起来更“正常”，在爆炸点机器里，我们约定最终的计算结果中实心圆点和空心圆点不能同时存在。 为了消除实心或空心圆点，我们通常从最高位（最左侧）开始，如果最左侧为实心圆，那我们最终的结果是要消除掉空心圆点；如果最左侧为空心圆点，那最终结果就是要消除实心圆点。 在当前的算式中，最左侧为实心圆点，那我们就需要消除掉空心圆点，这就需要用到刚刚学到的反爆炸知识了，一个实心圆点可以反爆炸还原为相邻右侧盒子中的 10 个实心圆点，然后就可以继续按照规则合并实心圆点与空心圆点了。  因为结果中同时还有实心圆点和空心圆点，按同样的规则继续运算：  因此 `413 - 256 = 157` 。 最后再来一个计算： 计算：`123 - 456 = ?` 再次提醒，不要想不够减的事，直接用 1 ← 10 爆炸点机器表示出来，按规则运算即可：  结果已经只有空心圆了，不用再计算，把负号写到数字前面就得到了结果：123 - 456 = -333 。 ## 四、小结 对比一下爆炸点计算方法与我们在学校里学习的减法运算方法：  左侧传统的减法运算是从右到左执行的，我们运用的是「退位」思想；而爆炸点是直接从左到右执行的，我们运用的是「反爆炸」思想。本质当然是一致的，**但爆炸点运算给你了一种完全不同的思考角度去看待减法运算（以及负数）的方式**。而且我觉得更简单易懂！ 最后用一个更大位数的计算作为本文的结束： 计算：`5425 - 3517 = ?` 我们现在可以暂时不画图了，直接从左到右按规则计算即可： `5425 - 3517 = 2 │ -1 │ 1 │ -2 │ = 1 │ 9 │ 1 │ -2 │ = 1 │ 9 │ 0 │ 8 = 1908` 这样的计算方式，是不是另有一番风味呢！ ## 预告&诚邀 本篇介绍通过爆炸点介绍了负数及其运算，在自己以往的实践中，一二年级的孩子完全可以学会，而且也可以顺畅的运用爆炸点进行各种加减运算，负数也不在话下。下篇中，将继续为大家介绍如何运用爆炸点进行乘法表示及运算。 另外，**爆炸点这种方法我觉得很适合教给适龄孩子，并不会影响他们日常在学校里学习的内容，反而可以作为补充，对他们理解数字以及运算背后真正的意义是非常有帮助的。** 可惜在国内知道的人还很少，中文资料更少了，希望后面自己在这一块能通过写文章、录视频或组织活动起到一点推广作用，如果你也感兴趣，想一起来参与，可以通过下方微信 👇 联系我，一起聊聊。 ---  https://dailyup.blog/posts/2021-11-18_blog_exploding-dots-intro01/https://dailyup.blog/posts/2021-11-18_blog_exploding-dots-intro01/重新认识数的表示与运算，通过爆炸点机器，让孩子轻松理解数、进位、负数及其运算。Thu, 18 Nov 2021 00:00:00 GMT  本文为作者原创，欢迎分享，若需转载请联系微信（ddupxyz），谢谢！ ## 一、缘由 > 任何一门学科，在孩子的任何发展阶段，都能以某种智识上诚实的方式，有效地教授给任何孩子。 > \ > --- 杰罗姆.布鲁纳（Jerome Bruner） 一直心心念，想给大家介绍一种几年前发现的一种很酷的数学学习方法，一起拖到现在，快对不住对一直以来对这种方法的喜爱之情了。 在写这篇文章时，又去该项目官网 [explodingdots.org](https://www.explodingdots.org/) 看了看，到目前为止，竟然有超过 700 百万的参与者使用了爆炸点这种方法，可惜国内知道的人不多，中文资料也很少，准备做个系列来介绍一下。 前前后后也把这个方法教给过一些孩子，效果超过我的想像，孩子们很喜欢！简单来说，通过这种方法的学习，一二年级的学生也可以顺畅理解不同进制的换算（尽管没给他们讲什么时进制），利用爆炸点的方法进行大位数加减，甚至乘除也没问题，另外， 还可以通过爆炸点去很好的理解负数及其相关运算。**最重要的是，是换了一种全新的角度来看待数、进位，以及数的运算，这对他们以后的思维拓展是很有帮助的**。 如标题所言，我当时确实是这个感觉，记不起因为什么原因逛到了 James Tanton 的[博客](https://www.jamestanton.com/)，但还记非常清楚的记得初次体验 Exploding Dots 后那种令人振奋的感觉。 > James Tanton 博士是一名中学老师，也是一名数学教育家， 他发明了爆炸点（Exploding Dots）这种方法，他的很多教学方法和内容都很有意思。 四年前（2018 年），James Taton 在他的文章中提供了一组数据，来自 170 个不同国家和地区的 620 多万名学生和教师在应用了爆炸点学习法后： - 96.8% 的老师认为「爆炸点」能够帮助到学生觉得数学其实更易学，更容易理解； - 96.6% 的老师觉得「爆炸点」让数学学习变得更有趣； - 93.1% 的老师认为「爆炸点」让学生对数学学习更加有信心； - 75.5% 的老师认为「爆炸点」在某种程度上改变了他们对数学的看法； **作为一个亲身的教学实践者，我也认为「爆炸点」改变了我对数学启蒙学习的看法，因此我会通过一个系列来聊一聊爆炸点，希望你在学过之后，也有一种，哇！原来还可以这样的神奇感觉！**  > 说明一下，这篇文章的内容是写给对数学感兴趣的爱好者、老师或者家长的，并不适合直接当做教程给孩子看。如果大家感兴趣，后面我可以录一些适合孩子直接学习的小视频。 ## 二、什么是爆炸点机器 爆炸点机器（Exploding Dots Machine）指的是一组盒子，每个盒子里可能会包含一些圆点，除此之外，还有一组用于描述如何在盒子之间移动这些圆点的规则。我现在更愿意把爆炸点机器看作一个全新的系统，用于学习数字及数字运算。 这组规则通常用 1 ← n 这样的符号表示，意味着在一个盒子里，一旦有 n 个点，那这 n 个点就可以合在一起爆炸开来，并被左边的下一个盒子里的一个点所替代。 n 可以为不同的数值，最简单的是 1 ← 2，表示一旦一个盒子里有 2 个点，这两个点就像有魔力一样，可以合在一起并爆炸，爆炸的结果是，在左边紧挨着的盒子里有一个新的替代点产生。你也可以理解为 1 ← 2 表示这个机器里每个盒子最多只能装 1 个点，如果塞进了 2 个或以上的点就只能选择爆炸替代了。 > 提醒：在画爆炸点机器的时候，最好在盒子旁边标明这个魔法机器的规则（1 ← n），另外注意，爆炸是从右到左方向进行的，这可以和我们在学校学习的从低位到高位的顺序保持一致。  直观上感觉变得更复杂了，这有什么意义呢？ 我们先来看第一层意义，数字的表示方法。 ### 1. 数的表示方法 孩子启蒙识数的过程往往是从具像的事物（如水果、动物），过渡到稍抽象的图形（如圆点、三角形），最终引入抽象的数字（1、2、3...）的认识。其中，处于中间段的稍微抽象的图形非常重要，哪怕我们已完全学会了数字，也会经常利用可视化的图形模型来帮助我们理解和计算。 下面是一款我非常喜欢的用于数字启蒙的游戏卡牌，大量运用了圆点图形与数字的对应来锻炼孩子识数与运算的能力。  在爆炸点机器里，我们也是用抽象的圆点来替代数字，但和大部分利用图形来识数及运算不同，在爆炸点机器里，圆点并不是简单作为过渡的辅助，而且作为一个主要的载体，并在这个基础上建立了一套完整的数的表示与运算体系。  不管规则是多少的爆炸点机器，只要我们放了 5 个点到最右边第 1 个框里，这 5 个点其实就是代表我们真实生活中的 5 这个数，它可能是 5 只兔，也可能代替 5 支铅笔。圆点是一种抽象模型，为了方便我们后面的运算。 5 个点合在一起爆炸后，并被左边相邻盒子里的一个点替代，又是什么意思呢？怎么爆炸和替代这是由规则决定的，这里的规则是 1 ← 2（可以读作：2 到 1 的爆炸点机器），也就是说 2 个点合并后爆炸，可用左边相邻盒子里的一个新的点来替代；如果规则是 1 ← 8 ，意味着右边的盒子里 8 个点合并后爆炸，用左边相邻盒子里一个新的点来替代。 我们再来看一个例子，最右边的盒子里有 13 个圆点，我们分别用 1 ← 2 、1 ← 8 和 1 ← 10 这三个爆炸点机器来表示，如下图所示。  为了方便，这里简单的用一条线划掉，表示这条线穿过的点合并后爆炸，并用颜色作了点区分，黑色的点表示原本的 13 个点，被带颜色的线划掉的点会被左边相邻盒子里同样颜色的点替代。 该爆炸的爆炸完后，最后我们在盒子的上方写下这个盒子里最终还剩下的圆点数量。把最终的数字从左往后写下来： - `13 = 1101` （经过 1 ← 2 爆炸点机器后） - `13 = 15`（经过 1 ← 8 爆炸点机器后） - `13 = 13`（经过 1 ← 10 爆炸点机器后） 看起来有点奇怪，实际上这就是把同一个数用不同的进制表示出来了，1 ← 2 其实就是二进制，1 ← 8 就是八进制，而 1 ← 10 就是十进制，也就是咱们生活中用的进制。 细心的会发现，当我们在生活中说 13 时，就是十进位的，因此用 1 ← 10 表示出来刚好也是 13，很棒！ ### 2. 数的运算方式 有了数的表示，接下来可以进行运算了。 先来看二进制数（由 1 ← 2 表示出）运算。 计算：`1101 + 1011 = ？` 刚开始学的时候，其实上面说的进制这些，我们都不用在意，那只是一个名字而以，而且容易把人搞晕。我们只需要知道 `1101` 和 `1011` 这两个数是在 1 ← 2 的爆炸点机器表示出来的，分别表示如下图所示。  > 为了助于理解，这里的两个数用黑色和绿色两种颜色区分了出来。 执行加法运算，我们可将这两个数直接写到一个爆炸点机器里去，对应点放到对应盒子里即可。然后应用 1 → 2 爆炸点机器的规则进行合并爆炸。爆炸替换后的结果如下图所示。 我们实际上已经计算出了结果： `1101 + 1011 = 11000`  再回到我们熟悉的十进制数（ 1 ← 10 表示出）运算。 计算：`15 + 26 = ?`  同样，我们既单独表示了 15 和 16，又放在一起直接表示 `15 + 26`，在实际运算过程中，我们可以直接放到一个爆炸点机器里（最后一行）即可。 其实你现在已经学会几乎所有有进制（ 1 ← 2、1 ← 8、1 ←10 等等）的表示与运算了，是不是很神奇？如果不信？我们再来一个比较大的数计算。 计算：`1362 + 675 = ? ` 不特别注明的话，默认就是 1 ← 10 的 爆炸点机器，这次我们就直接写到一起，仍然用不同颜色来区分一下这两个数。计算如下图所示：  这种方法很好用，一年前带女儿学习了爆炸点，她完全可以理解这些规则，并能正常运算。 当然，那时她并不知道进位、位值、进制这些概念，甚至连个、十、百、千、万也不会认，她当时只认为是一种由 1 ← 10 魔法机器表示的数，并按照机器规则去移动圆点即可。  我希望她慢慢有一个粗浅的感觉：**这些所谓的「二进制」、「十六进制」以及我们日常生活用到的「十进制」，其实本质是一样的，只是移动的魔法规则不同。相对本质来说，它们的名称及读法其实没那么重要**。 ## 三、小结 在本篇，我们介绍了爆炸点这种全新的数的表示与运算系统，希望通过我的介绍，你已经感兴趣了，在下篇 [爆炸点系列-负数的引入及运算](https://www.dailyup.blog/posts/exploding-dots-intro02) 中，我会通过爆炸点来介绍负数的表示与运算，欢迎关注！ 另外，爆炸点这种方法很适合教给适龄孩子，不仅不会影响他们日常在学校里学习的内容，还可以作为补充，通过爆炸点的学习让他们对数字以及运算背后真正的意义理解得更加深刻。 可惜在国内知道的人还很少，中文资料更少了，希望后面自己在这一块能通过写文章、录视频或组织活动起到一点推广作用，如果你也感兴趣，想一起来参与，可以通过下方微信 👇 联系我，一起聊聊。 ---  https://dailyup.blog/posts/2021-09-16_blog_hello-dailyup/https://dailyup.blog/posts/2021-09-16_blog_hello-dailyup/为什么要重新写博客？Thu, 16 Sep 2021 00:00:00 GMT> **说明**：下面提到的 `DailyUP` 数理思维每日挑战栏目当时放在竹白上的，不过后来竹白这个平台没经营下去关掉了，因此现在也访问不到了。不过所有内容都有备份，有机会再分享出来！也感谢当时有支持过这个每日挑战的朋友，坚持了一年，现在回头来看，也是一段很有意思的经历！ ## 缘由 写下这个标题的时候，感觉是自己曾经写过多年博客一样，其实不是，回想一下，很早（大概十年前吧）就建立了自己的独立博客，断断续续也写过一些，但没坚持多久就夭折了，直到域名到期才提醒自己还有一个博客。 后来干脆就停掉了。 直到今年，因为带孩子学习的缘故，做了一档 [DailyUp](https://dailyup.zhubai.love) 数理思维每日挑战栏目，每日更新，已经成一个习惯了，其实在这个过程也有很多其它想要记录和分享的内容，但感觉放在每日挑战又不太合适。 还是用独立博客来写更好些，当时在准备做每日挑战时顺便购买了域名 [dailyup.blog](https://dailyup.blog) ，正好用起来。 于是有了现在看到的博客。 当然，写独立博客还有一些其它原因。 1. 以前确实也写没那么多内容可写的，现在呢，至少在我的 `Obsidian` 仓库里，已经有超过 1000 张日常积累的卡片，写卡片也早以成为日常，**博客只是自己卡片创造系统的一种输出**，因此博客的写作并不那么难。下面是一张所有卡片在 Obsidian 里的节点图，还挺漂亮的！  2. **学点新技术**，从写这个博客开始，绝大部分代码和样式就是自己从头去写的，也算是自己了解新技术的附产品，不得不说，现在写一个博客比早些年简单太多了，部署和优化也不用太操心。 3. 最重要的，希望**有一个自己完全可控的试验场**，这里可以记录和分享一些成熟或不成熟的想法、实践，因为是独立博客，也不用受太多其它因素的影响。 4. 准备写公众号，公众号不便于修改，因此通常会同步一份到博客，相关的错误或修订也都会更新在这里。（公众号已发布，感兴趣的可以搜索「大圣不是圣」关注）。 博客的内容都是我觉得首先对自己有价值的，相信对大家也有些许价值！博客我会尽可能做到月更新的频率（但不保证），能保证的是这次不再停掉了 😀 > 日拱一卒无有尽，功不唐捐终入海！ Let's dailyup ~ ## 部分推荐文章 - [当数学遇上编程，编程遇上数学](https://dailyup.blog/posts/math-meet-programming) - [AI时代，重新思考我们的学习和教育](https://dailyup.blog/posts/ai-education) - [构建基于Obsidian的学习生产力系统](https://dailyup.blog/posts/obsidian-productivity-system) - [如何记住任何东西？基于间隔重复的学习实践](https://dailyup.blog/posts/spaced-repetition-practice)