漫谈核心能力（一）：不学则无知

这是《漫谈核心能力》系列的第 1 篇，预计会写 10 篇左右。通过这个系列，我希望和大家分享下一个人的核心能力是什么，以及怎么去提高自己的核心能力。扫描文末二维码，关注公众号，不再错过精彩。也欢迎转发朋友圈分享给更多人。

上一篇系列开篇里面，我尝试区分了知识、能力和经验这三者。虽然做了区分，但这三者是有着非常紧密的联系的，详情可以翻看上一篇文章。

比如，今天要讲的学习能力，就是获得知识的主要途径。

1

为什么要学习？

尤其是当我们已经具备了一定的知识，掌握了不错的经验之后，为什么还要继续学习？

谁都知道，学习是很累的。如果靠着已有的知识和经验，就足以应付工作，那干嘛不去吃喝玩乐呢？说好的「人生得意须尽欢」呢？

原因很简单：

• 要么你的知识和经验不足以让你得到想要的东西 。人都是被欲望驱使的，尤其是你的欲望还处在比较初级的时候，这个驱动力会更强。比如你想升职当经理多赚点钱，但却完全不懂怎么做管理。这是欲望驱使的主动学习。

• 要么你的知识和经验只能保证你现在能应付局面 。比如前端技术层出不穷，现在的主流框架过几年可能就边缘化了。这是环境驱使的被动学习。

所以只要你不是三和大神，得过一日就且过，温饱之外别无他求，那就只能不停地学。

以我所在的大数据行业为例，Spark 才刚为撼动了 Hadoop 的统治兴奋不已，那边 Flink 就气势汹汹逼过来了。你不学？还没到 35 岁就危机了。

当然，我不想宣扬危机和传播焦虑，只是陈述事实，并且下面就要分享些我的应对经验。

2

好了我知道要学，也愿意学，那要怎么学？

我到现在还能清晰地记得，高三的时候，班上有不少同学，学习非常非常刻苦。标准时间不说，别人午休的时候在做卷子，下了晚自习还在做卷子。但最后考试分数出来，虽然也还不错，但远不如他们的努力程度，总是比不过头部那些人。

那时候，除了替他们惋惜，我就在想，是他们不够聪明吗？是，他们确实不如班上最聪明的三五个人，但大部分分数比他们高的人并没有比他们聪明多少，更不用说没他们努力了。

问题就出在学习方法上。 下面我会分享几个我觉得比较好的学习方法。

3

带着疑问和目的去学 。

我在学习一个新技术的时候，通常都会问几个问题：

• 我为什么要花时间学这个东西？

• 这个东西解决了什么问题？

• 这个东西相对于它的竞品都有什么优势？

然后在学的过程中，也会随时问自己，得到这些问题的答案了吗？

程序员都信仰代码比天大，学习新技术就免不了要看别人的代码。但现在的开源项目，尤其是比较有名的项目，复杂度和代码量都是很夸张的。

我的习惯是，带着目的挑着看。

比如在最开始学习 Spark 的时候，我就很好奇，Spark 既然说自己是基于内存的，比 Hadoop 快几十上百倍，那它究竟是怎么使用内存的呢？

于是我就专门去看了 Spark 内存管理模块的代码。很快知道了 Spark 把内存分哪些区，内存装不下了怎么处理，又有哪些参数可以调等等。

看完就完了。要搞懂 Spark 是怎么管理内存的，就只看内存相关的代码。后面再有别的需要，就再针对性看对应的代码。

像这样，带着疑问和目的，就能保证不会奔着一个类似「我就是要学会这个东西」这样缥缈的目标去学。

随着自己的疑问的解答，目的的达成，学习效果就是非常具体和有效的。同时也是非常高效的，因为时间和精力都用在直接解决自己的问题上，而这些问题都是因人而异的。

4

系统地学。

所谓系统地学，就是把这个东西主要的内容都学到。

这个看起来和上一节带着疑问和目的去学是矛盾的。其实不然。

对一个刚接触的新技术，更适合带着问题和目的去学，不能盲目投入时间。

而对一个已经有了一些了解，也实际会经常用到的东西，就可以考虑投入更多的时间系统地学。

原因有几点：

• 经常用的东西，有了比较全面的了解，才能知道什么时候用这个虽然可以，但用另一个会更好。

• 知识之间都是用共性的，当掌握的面足够广后，才有可能重叠（overlap），这样就能逐步建立起知识图谱。而知识图谱是一个人解决开放式问题和攻克难题时的基础保障。

早些年，我在体会到 Python 的好处后，就系统的花时间好好学了下，从官方文档上列的主要模块，到 PEP，到主流网络框架等等。这些都对我后来在大数据领域再去学其他 python 栈的技术，起到了非常大的帮助作用。

后面有次在工作中接手了一个 golang 的程序，那是我第一次写 go。在大规模重构的过程中，不可避免的去了解了 go 的设计思想。而在学习 goroutine 的时候，当时在学习 python 的时候接触到的协程的知识，就很好的帮助了我去理解。

5

对比着学。

其实前面两节已经提到了，但因为这个操作层面的方法实在太有效，还是想单独说一下。

相似的东西，对比着学，能帮助我们更好的理解，从而更好的判断。

以大数据领域的两个最流行的计算框架 Spark 和 Flink 为例，虽然都支持批处理和流处理。但设计上的选择，导致了各自非常鲜明的特点。

Spark 是基于批去做的流，所以吞吐量会很好，但由于不是来一条处理一条，所以延迟会相对高些。

而 Flink 是原生的流（native stream），所以延迟会低，但是吞吐量相对也低点。

两相对比，我们就对 Spark 和 Flink 的流处理有了更加深入的理解。当面对一个实际的流处理问题时，就能做出更合适的选择。

6

输出倒逼输入。

有没有觉得很多东西看了就忘？

有没有觉得有些东西，本来以为懂了，仔细一想发现没懂？

类似问题，当然可以多花时间、反复记忆来提升效果。但还有更有效的方式，那就是用输出来倒逼输入。

所谓输入，是指学习吸收知识；所谓输出，是指给别人讲解自己掌握的知识。

为什么说这个方法会更直接有效呢？

• 一方面，需要对别人讲的东西，就算为了面子，你也会多花点时间去研究得更清楚点。

• 另一方面，对别人讲解的过程，就是一个检查和思考的过程，有些问题，讲着讲着就发现原来自己还没理解透；有些问题和听的人边讲边讨论就有结论了。

有些人肯定要说了，可是我没啥好对别人讲的呀。这就是倒逼的含义所在，厚积才能薄发，不输入哪有输出。

而为了让这个输出的效果更加稳定和持久，我一直坚持两个形式：

• 写博客/公众号 ， 这也是你能看到这篇文章的原因。并且是有计划地写，写成系列文章。

• 在部门内组织技术分享 。包括我在内的所有人，每周轮流做技术分享。虽然是强制的，但几个月才轮到一次，也没什么压力。

TL,DR

• 学习是获得知识的主要途径

• 但凡有追求的人，都必须持续学习

  • 要么你的知识和经验不足以让你得到想要的东西

  • 要么你的知识和经验只能保证现在你现在能应付局面

• 带着疑问和目的去学，能让学习更有针对性

• 系统地学，能让学习更加全面，帮助形成知识图谱

• 对比着学，能让理解更加深刻，选择更加合适

• 输出倒逼输入地学，能借助外界反馈督促学习

学习能力，是我认为一个人核心能力里面最重要的一个。所以放在了这个系列的第一篇。

学习，本质上是不断引入增量，这当然是进步的重要手段。增量的另一面就是存量，下一篇，我们一起看下怎么优化存量。

点在看，给大家好看