当前位置: 首页 > news >正文

如何快速学习一门新技术

1.什么是技术?

技术是什么?技术有哪些共性的要素,我们在谈论技术在谈论什么? 软件的技术和其他技术没有什么区别,程序员作为新时代的纺织工,需要拥抱新技术,时代浪潮滚滚向前,很快就有纺织机来替代我们。学习操作纺织机的技术就尤为重要,AI就是那台纺织机。这里探索一下如何学习新技术,技术的共性要素,形成套路,减少面对新技术的焦虑。只要掌握了学习的方法,庖丁解牛,对未知的技术我们也会了一半。

这里以类与对象的思想,技术分为技术要素和学习技术的方法,作为技术这个类的属性和方法。无论什么技术都衍生自这个技术的基类,学习的方法是共用的。

class technology{public elements;public learnMethod()
};

一项技术是为了解决某个问题、解决需求、创造某些需求的。技术有如下属性:

技术要素举例(空调制冷为例)
此技术解决的问题解决夏季天气热问题
需求(解决or创造的)满足人们夏天降温需求
解决方法冷气循环
技术原理压缩机+冷媒
落地方案(工程性实践)外机+内机
此技术引入的问题处理氟氯昂问题,温室效应
技术演进和生命周期热泵->多联式->智能化
社区贡献和创新空调制冷技术研究、能耗优化等。

了解了哪些技术要素和掌握程度,才能说掌握了某项技术?借用“北大屠夫” 陆步轩的对“匠”和“家”的理解,这里对程序员也做一个分类。

1)员 (初级):会用,熟悉流程

2)匠 (中级):了解原理

3)家 (高级):能够发明创造

我们说掌握了某项技术应该至少了解如下技术要素,掌握了技术原理才算掌握该技术,但是原理这个词很大,是一系列的逻辑链条的集合,又可以拆分成:背景、解决的问题、方案选型等等。

技术要素掌握
此技术解决的问题Y
需求(解决or创造的)Y
解决方法Y
技术原理Y
落地方案(工程性实践)Y
此技术引入的问题处理Y
技术演进和生命周期N
社区贡献和创新N

2. 明确需求

为什么要学习一门技术,我这里主要分为如下两类

1)技术储备 => 技术交流,大而全,注重原理学习,技术要素都要掌握。

2)项目需求 => 实际落地,注重快速落地方案。

两种场景,对技术的学习是选择性取舍,项目需求应该优先满足如下需求,然后再逐步完善。

技术要素项目需求技术储备
此技术解决的问题YY
需求(解决or创造的)YY
解决方法YY
技术原理NY
落地方案(工程性实践)YY
此技术引入的问题处理NY
技术演进和生命周期NY
社区贡献和创新NY

3. 技术调研(WWH模型)

WWH模型:what?why?how?

  • what

这个技术的简介,有个概览,建立基本认知。

  • why

解决的问题和需求背景学习,这个很重要,解决问题是技术这个逻辑链条的起点,这是“所以然”,懂得解决问题的核心,后面解决方案和原理学习才能水落石出。

  • how

利用哪些技术解决这个问题,依赖的技术学习,以scqa方式,了解设计原理。这里要掌握核心技术特点,解决的关键问题,建立核心的逻辑链条,这个是后续跟人讨论的基础。

  • 实践

从使用加深认知,快速验证方案。

ps: 这个章节比较虚,只是提供一种思路,心中掌握WWH模型即可。

4. 落地方案

公司项目落地时需要从如下几个方面入手:

1)公司已有资源了解,避免重复造轮子

2)竞品调研:了解竞品功能,建立基础功能认知,行业通用的设计规范和考量。

3)交期和需求讨论:需求无法满足时,要积极讨论,做取舍。拿出折中的可落地的方案,而非完美的方案。

4)快速评审,以评审加速方案完善。

5. 学习途径

  • LLM first

一定要站在巨人的肩膀上,从提炼的核心精髓到细节,从大到细,LLM > 视频教程 > 博客 > 官方文档。

6. 记忆和笔记

人的记忆是有限的,且是有特点的。逻辑性强的的容易记住(有完整逻辑链条的容易记住),没有逻辑链条与其他元素和实物关系少的记不住。

哪些记在海马体里,哪些记在笔记里?

1)海马体:原理、背景,关键问题,提炼总结成短语,形成逻辑链条记在脑海中。

2)笔记:容易重复踩的问题,比如环境搭建、调试记录,过程式、不讲逻辑的。笔记形式提供。

输出文档:

  • 费曼学习法表格:以费曼学习法,以简短的话,快速向别人介绍清楚。每个技术要素整理关键点,核心问题,核心链条。,应对领导和同事之间的询问和“抽查”。

  • 学习笔记:学习心得、调试问题记录,草稿

  • 技术调研文档:技术交流

  • 方案设计文档:实际项目设计

http://www.lryc.cn/news/593816.html

相关文章:

  • Java SE 讨论String类
  • QML 动画效果详解
  • Temperature 是在LLM中的每一层发挥作用,还是最后一层? LLM中的 Temperature 参数 是怎么计算的
  • 车载通信架构 --- DoIP协议通信
  • 2025年睿抗机器人开发者大赛CAIP-编程技能赛(省赛)-RoboCom 世界机器人开发者大赛-本科组
  • 2021 RoboCom 世界机器人开发者大赛-本科组(初赛)解题报告 | 珂学家
  • Lock4j 使用说明
  • 使用Python进行文件拷贝的方法
  • 地图定位与导航
  • Claude Code 最新详细安装教程
  • 研华PCI-1285/1285E 系列------(一概述)
  • 模型自信度提升:增强输出技巧
  • 国产电科金仓数据库金仓KES V9 2025:AI时代的数据库融合标杆
  • docker|Linux|以centos基础镜像为基础制作nmap专用镜像(镜像瘦身计划)
  • 基于大模型打造故障预警服务器巡检机器人
  • CSS面试题及详细答案140道之(81-100)
  • 如何解决AttributeError: ‘NoneType‘ object has no attribute问题
  • 13.5 Meta LLaMA 2核心技术拆解:4T数据训练+30%显存优化,70B模型准确率82.6%
  • 文献阅读:全球农田的植被总初级生产力(GPP)、蒸散发(ET)和水分利用率(WUE)的变化研究
  • 数据分析综合应用 30分钟精通计划
  • 重学Framework Input模块:如何实现按键一键启动Activity-学员作业
  • 纸板制造糊机操作
  • C++STL系列之vector
  • 尚庭公寓-----day2 业务功能实现
  • 计算机视觉:AI 的 “眼睛” 如何看懂世界?
  • 万字解析LVS集群
  • 安全事件响应分析--基础命令
  • XSS相关理解
  • 商业秘密的法律属性与保护路径探析
  • XSS漏洞学习总结