词汇量决定知识量 -#22
分享我近期的收获，包括软件工程、笔记工具、词汇量对于知识量的影响
这是 GeekPlux Lab 第二十三期，每期都会同步发布在我博客的周刊页面。目前已经有 2587 个同学订阅了本周刊，也欢迎你邮箱订阅，可以第一时间收到更新推送。
这周我来分享我最近的一些收获。
文档先行
这两周的工作异常顺利，因为基本上都在写代码，而前几周则在不停的梳理需求和整理文档。这次的任务我是文档先行，在文档中把技术方案和可能性都列出来后交给小组 review，通过多次讨论、不断整理出各种边界情况后，再逐一列出解决方案。最后觉得几乎能想的都想到之后才开始写代码，编码体验几乎是一马平川。
文档先行还有几个好处是：
- 在编码结束需要提供文档（包括各种架构图）的时候，直接就有现成的，只需要略微修改措辞和概述
- 因为经过小组多次讨论，所以全小组都做到了 knowledge share，每个人都知道这个项目怎么回事，为什么要这么设计，上下文很清晰
- 因为大家都知道项目的上下文，所以 code review 顺畅无比
- 整个文档的修改过程，就是初版的 CHANGELOG
其实这才是学生时代课本中讲到的软件工程方式，但这么多年鲜有实践的机会。在整个项目做完之后，我把项目概述、文档总结、codebase、项目管理条目、OKR 条目等一并整理发给老板，感觉他很满意。我也是从今年开始着重开始思考一个程序员和一个工程师的区别，可能前者像一个泥瓦匠，而后者更像一个建筑师。为此我最近也在阅读一些相关的书籍以及文章，这里推荐：
- Staff Engineer - 这是 Will Larson 的一本书，我刚读了不到一半，也是别人推荐给我的，在此我再五星推荐给各位。这个网页版本和电子书内容差不多。
- What does sponsorship look like - 如何做一个 mentor
- Being Glue - 这其实是个 Talk，这是文字稿，你也可以看视频。以上两个均在 Staff Engineer 中开始就提到
- Responsibilities of a Senior Software Engineer - Senior 工程师的职责
- Design Docs at Google - 文档怎么写
- Design Docs, Markdown, and Git - 文档最佳实践
其实我读过且认为不错的文章都会在我的 wiki page What I read Daily 中列出，之后不再赘述。
工具原则, second brain, Logseq
我曾在 Twitter 上大放厥词:
也写了第十一期用纯文本作效率软件。其中提到我用 Logseq，但一直以来我除了读过官方文档之外，没有仔细和深入地研究 logseq 的功能，直到这周。
不过我使用工具的原则一直是能用默认配置就用默认配置，因为这样才能做到无论在哪都能开箱即用。不知道是从什么时候开始顿悟，不再折腾，不再浪费时间追求所谓最佳实践，而是转向了“不加雕琢”地使用工具。每次遇到新工具我也不免去尝试，但其默认功能如果不能补齐或超越我现有的工具矩阵，我就不会选择它。比如 Notion，我一直用不起来，它本质上是一个 database，但设计得过于复杂，它默认的功能我用 Excel 可以做到更好，而且 Excel 耕耘多年的交互方式和广泛生态完全是 Notion 无法望其项背的。比如 Google sheet 可以结合 Google Studio, Google Form 直接做一个 dashboard 出来，还可以一键生成很多形式的 APP 等。
我对于 All in one 概念的工具都不看好，因为这是个伪概念，没有相同的人类，没有完美的世界，也就没有完美的工具，你永远需要其他工具来满足个人的行事风格。既然如此，我们何必执着于工具的多寡与优劣，更重要的应该是适合自己，以及它能沉淀出的数据。
扯远了，说回到 Logseq，它们最近官方出了一个 newsletter，主要讲一些新功能的介绍、小技巧以及别人的使用经验。我特地花了一个晚上研读，吸收了一些符合我个人工具原则的经验，比如：
- template 和 query 这类减少重复劳动的功能
- backlink 这类性价比很高的技巧（随手添加，自动关联，有利于增强整个 second brain 的 connection）
我认为就很值得熟练掌握，而对于：
- 复杂的信息采集流程（mark 了的东西不会看，要看就现在看完）
- 复杂的排版流程（排版不需要用在输出以外的阶段，你脑中的知识有专门排版过吗？）
- 复杂的结构体系（神经元与突触可没有分层结构，随机且无序的 tag + search 才是最符合人类思维的）
我都嗤之以鼻。所以我目前使用 logseq 的流程很简单：
- 每天都 journal 写自己读了什么，发现了什么 （提前做了简单的 template）
- 每个条目加好 backlink 或 tag（没加也无所谓，关键词搜索照样能搜到，搜不到也没有什么心智负担，说明这篇文章没给自己留有很深的印象）
想要查询的时候，通过 search 或 query 来查看。我的 wiki 就是导出之后的效果，之后会尝试多写一些 review，因为在官方 newsletter #6 中提到了一个 GPT-3 plugin，基于 GPT-3 OpenAI 实现…可以帮忙写作…之后希望它能帮我顺便写 newsletter。
词汇量决定知识量
周末晚上临睡前开始看一篇文章 Vocabulary as a Meta Mental Model，看得我有点兴奋。其实我自己也多次说过：“术语是一个领域的入门门槛”，但作者 Neil 更直接，直接把术语拓展成了词汇量，把领域拓展成了“Meta Mental Model”。不过我觉得可能还不止是 Mental Model，而是整个知识量。
整篇文章娓娓道来，引人入胜。 作者先引出当我们不知道一个专有名词时，是不知道如何描述一组行为的。比如我自己在早年知道了很多效应的概念：马太效应、破窗效应、青蛙效应、鸟笼效应、羊群效应等，这些名词可以很简短地描述一类行为。其实很多时候，不是因为你知道这个行为是某个效应而记住那个名词，而是因为你知道了这个名词所以你掌握了这类行为的概念。
因此，知道某个词汇像是知道了一组知识的索引或框架，能大致的让你摸索到知识的抓手，这有点一个模式匹配的过程。知道一个词汇，会帮你把知识从“你不知道你不知道”移到“你知道你不知道”，这是个很大的进步。当你知道的词汇越多，你连点成线的能力就越强。任何语料，包括术语、谚语、成语、网络用语等其实都是对一组行为或知识的抽象，当你掌握的越多，对内这些语料交叉重合的面越多，对外则和别人建立的共同语料越多，从而构建出的整个知识体系就越完善。
推荐你也去读这篇文章，然后分享自己的读后感。
本文一气呵成，不知所云，下期再见。
往期推荐：
声明：本文出自作者，不代表任何机构或公司，亦不构成投资建议。
你可以在这里找到我：微博 - Twitter @GeekPlux
也可以加入 Telegram 群组 聊天讨论。
这里是 GeekPlux 的 newsletter，欢迎订阅，如果觉得这篇文章对你有用，可以分享给好友或请我喝杯咖啡。👇
