舍得
大一的时候,导师曾经告诉我,人要学会「舍得」。
那时的我并不觉得这句话有什么难以理解的地方。有舍才有得,人的时间和精力有限,不可能把所有事情都做好。这些道理似乎不需要太多解释,甚至可以轻易举出许多例子来证明。
直到几年后的今天,我才逐渐意识到,自己当时理解的只是这句话的字面含义。
知道一个道理,与真正理解一个道理,是两回事。
我们可以从书本中获得知识,从他人的经历中总结教训,也可以通过逻辑推导理解某个选择的利弊。但这些认识未必能够真正改变我们的行为。很多时候,只有当自己经历过相似的处境,面对过真实的代价,才会发现那些早已听过的道理,原来还有另一层含义。
过去,我把「舍得」理解为一种取舍:为了获得某些东西,需要放弃另外一些东西。
现在,我开始觉得,它不仅关乎选择之前的取舍,也关乎选择之后的坚持,以及面对结果时的态度。
因为真正困难的,往往不是知道自己应该有所取舍,而是判断什么时候应该放弃,什么时候值得坚持,又什么时候必须承认,原先的判断已经不再成立。
一、选择之前:有所不为
在工程领域,我们很容易对技术本身的价值产生兴趣。
一种新的存储引擎、一套新的执行框架、一项新的分布式架构,往往都有其合理性。它们能够解决特定问题,改善某些工作负载下的性能,或者为未来的业务提供更多可能性。
但我逐渐发现,一个技术方向具有价值,并不意味着它值得投入;一个功能能够实现,也不意味着它应该被实现。
尤其对于基础软件而言,功能的完成往往只是成本的开始。
新的存储引擎需要考虑事务一致性、数据恢复和版本兼容;新的执行框架需要保证查询结果的正确性;新的流处理能力需要处理状态恢复、日志生命周期和故障传播。不同组件之间还可能产生复杂的交互,使原本局部的问题扩展为整个系统的问题。
随着功能不断增加,维护成本也未必只是线性增长。每增加一个组件,都可能引入新的兼容性约束、故障路径和测试组合。
如果研发资源有限,却不愿意放弃任何一个看起来有价值的方向,最终就可能陷入一种困境:每个方向都有投入,每个方向都有成果,却没有足够的资源把真正重要的能力做到成熟。
这未必是技术能力不足,而可能是资源配置出了问题。
过去,我更容易从技术角度评价一个方案:它是否先进,能否实现,性能是否足够优秀。
现在,我越来越愿意追问另外几个问题:它解决了什么真实问题?为此需要承担多少长期成本?如果不做它,我们会失去什么?如果选择做它,又意味着放弃什么?
这些问题并不比技术实现简单。
有时候,真正困难的决策不是选择一个正确的方向,而是在多个正确的方向之间作出取舍。
放弃明显错误的事情并不困难,至少在认识到错误之后如此。真正困难的是放弃那些确实有价值、已经投入过资源,甚至未来仍然可能产生收益的事情。
我们总是容易把放弃理解为损失,却很少意识到,不放弃同样需要付出代价。
当有限的资源被分散到越来越多的方向上,原本能够获得充分投入的核心能力,也可能因此失去继续发展的机会。
那些被放弃的方向并不一定是错误的,它们只是没有在当时的条件下,成为最值得投入的选择。
而舍弃它们,得到的也不是更多选择,而是让真正重要的选择获得足够资源的可能性。
二、投入之中:有所坚持
能力获取的成本正在下降
这种认识也让我重新思考 AI 对个人成长的影响。
过去,一个工程师进入新的技术领域,往往需要经历漫长的学习过程。从基础概念到工程实践,从阅读文档到独立完成项目,中间存在大量试错、调试和知识积累。
如今,AI 正在显著缩短这个过程。
借助 AI,一个原本不熟悉 Kubernetes 的工程师,可以更快地完成集群部署;一个没有接触过某种编程语言的人,可以迅速写出能够运行的程序;一个缺乏特定领域经验的开发者,也可以利用 AI 给出的方案完成相当复杂的工程任务。
这当然是一种巨大的进步。
但当越来越多的人都能以较低成本获得完成常见任务的能力时,仅仅拥有这些能力,还能形成多大的竞争优势?
一个人可以不断进入新的领域,借助 AI 快速掌握基本知识,完成具有一定复杂度的工作。看起来,他能够做的事情越来越多。
但如果每个方向都止步于完成常见任务,而缺乏对底层机制、失效边界和长期工程问题的理解,那么这种广度未必能够转化为真正的深度。
我并不认为广泛的知识没有意义。恰恰相反,跨领域的知识能够帮助我们建立联系,发现单一领域内不容易察觉的问题。
但广度与深度并不能相互替代。
AI 可以降低进入一个领域的门槛,却没有消除深入理解这个领域所需要的时间、实践和判断。
当一个人不再满足于完成已有的方案,而是试图理解方案背后的约束,识别隐藏的风险,甚至在没有现成答案的情况下作出判断时,真正的困难才刚刚开始。
被跳过的失败
我越来越觉得,资深工程师的价值,并不只是知道更多正确答案。
很多时候,他们真正拥有的是对错误的理解。
以一个简单的文件上传功能为例。
一种看起来合理的实现方式,是先将文件写入 /tmp,等待上传完成并通过检查后,再移动到最终的 uploads 目录。
对于缺乏相关经验的工程师而言,这个设计似乎没有明显问题。临时文件与正式文件分离,检查完成后再发布,逻辑也相当清晰。
但有经验的工程师可能立刻意识到,/tmp 和目标目录未必位于同一个文件系统。
在不同文件系统之间,rename() 无法直接完成原子重命名,而是可能返回 EXDEV。如果改用能够自动复制文件的移动操作,例如在跨文件系统时退化为复制与删除的 shutil.move(),又可能引入非原子发布、额外 IO,以及异常中断后的文件清理与一致性问题。
再进一步,如果文件检查与最终使用之间允许其他参与者修改或替换文件,还可能出现 TOCTOU 竞争条件。在特定的文件上传实现和错误配置中,这类问题甚至可能演变成安全漏洞。
同样一个文件上传功能,背后涉及文件系统、原子性、并发、权限、安全边界和异常恢复等多个知识领域。
这些知识可以被逐一学习,也可以通过 AI 迅速获得相对可靠的实现方案。
但知道正确方案,并不意味着理解错误方案为什么会失败。
一个经历过相关故障的工程师,可能会在设计阶段主动质疑文件系统边界、检查与使用之间的状态变化,以及异常中断后的系统行为。
而没有经历过的人,即使知道这些风险的名称,也未必能够在新的场景中及时识别它们。
这并不是因为他不够聪明,而是因为知识尚未形成完整的体系。
对于初级工程师而言,许多知识只是一个个孤立的点,或者局部连接起来的面。他可能知道文件系统、原子操作和竞争条件,却不知道它们为什么会在一个看似普通的上传功能中产生联系。
这也意味着,从他人的失败中学习,并不像我们想象的那么容易。
观察别人的错误,本身就需要一定的知识基础。否则,即使知道了结论,也很难理解结论背后的因果关系。
更进一步,即使亲自经历失败,也不意味着一定能够获得经验。
遇到跨文件系统移动失败时,一个工程师可能只是搜索错误信息,将 rename() 替换成另一个 API,看到程序恢复正常,便认为问题已经解决。
但如果没有继续追问为什么,他可能只是记住了一种解决方法,而没有理解文件系统语义和原子性之间的关系。
失败本身不是经验。只有经过正确的归因、反思和抽象,失败才可能转化为能够迁移到其他问题上的经验。
经验飞轮的启动门槛
这让我意识到,AI 对工程师成长的影响,可能比简单的效率提升更加复杂。
在知识体系尚未建立的早期,工程师往往不知道自己不知道什么。
他很难主动提出那些超出已有认知边界的问题,也很难判断一个方案究竟依赖哪些隐含假设。
传统的工程实践虽然低效,却会不断通过现实中的失败迫使人接触这些问题。
程序无法运行,服务出现异常,数据发生错误,系统在特定条件下崩溃。工程师不得不寻找原因,逐渐把原本孤立的知识连接起来。
当这些联系积累到一定程度,新的知识才更容易融入已有体系,新的失败也更容易引发更深层次的思考。
这有些像一个需要外力推动的飞轮。
在早期,每一次推动都很困难,知识之间的联系有限,经验的积累也相对缓慢。
但当知识体系逐渐形成,工程师便能够通过已有经验理解新的问题,甚至从一个领域的失败推导出另一个领域可能存在的风险。
此时,经验的积累开始产生复利。
AI 的出现,让这个过程发生了变化。
它能够帮助工程师跳过大量低效、重复甚至没有必要的试错,直接获得经过总结的解决方案。
但与此同时,一些看似合理、实际上隐藏着问题的技术路线,也可能因此失去被亲自探索的机会。
工程师完成任务的能力,可能先于理解系统的能力得到提升。
这未必会立即产生问题。只要系统按照预期运行,正确的代码和可靠的工具就足以支撑许多工作。
真正的考验发生在已有方案失效的时候。
当环境变化、隐含假设不再成立,或者系统出现此前没有被记录过的故障时,工程师是否仍然能够独立分析问题,便取决于他是否真正建立了对系统的理解。
当然,这并不意味着我们应该刻意拒绝 AI,或者为了积累经验而重复那些早已被解决的错误。
AI 同样可以帮助我们构造实验、模拟故障、寻找反例,更高效地理解系统行为。
真正重要的是,不要把获得正确答案误认为获得了相应的能力。
AI 可以压缩探索空间,却不能取消探索。
当探索的成本不断下降,我们反而更需要主动决定,哪些问题值得深入研究,哪些失败值得亲自验证,哪些知识需要超越答案本身,形成自己的理解。
坚持,是让选择获得验证的机会
后来我逐渐发现,深入理解一个技术领域,与坚定执行一项长期计划,其实有着相似的基础。
两者都需要持续投入,都意味着放弃其他可能性,也都需要经历一段付出尚未转化为明显收益的时期。
很多事情真正的价值,并不会在投入的初期立即显现。
学习一个复杂的技术领域如此,建设一套需要长期维护的基础设施如此,执行一项经过审慎评估的计划,同样如此。
古人说,行百里者半九十。
这句话并不只是提醒人们最后一段路最为艰难,更是在提醒我们:如果缺乏足够的定力,前面付出的努力,也可能因为最后阶段的动摇而无法转化为真正的成果。
现实中总会存在各种外部因素。别人的评价、短期的挫折、暂时的收益变化,以及那些看起来更加诱人的新机会,都可能让人开始怀疑自己的选择。
如果一个人总是因此改变方向,看似始终在寻找更好的机会,实际上却可能从未给予任何一个选择足够的时间,让它真正产生结果。
一个从未得到充分执行的计划,往往也很难判断它究竟是否合理。
当我们过早放弃时,可能无法区分:究竟是方向本身存在问题,还是我们根本没有坚持到能够验证方向的阶段。
但这里也存在一个矛盾。
一方面,过去的投入不应该自动成为未来继续投入的理由。即使一个方向已经耗费大量资源,如果继续投入不再具有合理的预期收益,就应该考虑停止。
另一方面,不能因为执行过程出现困难,就轻易否定最初经过认真评估的决定。
那么,什么时候应该坚持,什么时候又应该放弃?
我认为,首先需要回答一个问题:
改变的究竟是决策所依据的关键前提,还是执行过程中的舒适程度?
如果最初的判断仍然成立,目标没有改变,预期收益与机会成本也没有发生实质变化,只是执行过程比想象中更加困难,那么困难本身并不足以成为放弃的理由。
但如果新的事实表明,原有的关键假设已经不再成立,或者我们发现自己严重低估了实现成本与风险,那么重新评估同样是理性的选择。
坚持不是为了证明自己当初正确,放弃也不应该只是为了逃避眼前的困难。
真正需要比较的,是在当前已知条件下,未来继续投入所能带来的价值,是否仍然值得我们承担相应的成本,并放弃其他可能性。
因此,我越来越倾向于在作出长期决策时,提前明确目标、关键假设和验证条件。
对于一个仍然成立的计划,我愿意给予它充分的执行时间,而不是每次遇到困难都重新打开整个决策。
当达到预先设定的验证节点,再根据实际结果进行评估。如果期间出现足以改变判断的重大事实,也应当及时重新审视,而不必机械地等待计划结束。
即使最终结果符合预期,也不意味着最初的判断必然正确,其中可能存在运气;而一次失败,也未必能够否定当时决策的合理性。
重要的是分清判断、执行和不确定性各自对结果产生了什么影响,并利用这些认识改善下一次选择。
这套方法并不能保证我们永远作出正确的决定,却能够避免让长期决策完全受到短期情绪的影响。
舍得,不仅是在选择之前知道放弃什么,也是在选择之后知道为什么值得坚持。
三、结果之后:有所释怀
最近一次离职之后,我参加过一些面试。
有一个问题,几位 HR 都曾向我提出:
「你会后悔离职这件事情吗?」
我的回答始终是否定的。
这并不是因为我确信离职一定是最好的选择,而是因为我已经在作出决定之前进行了充分的评估,也愿意承担它可能带来的结果。
但比起决策本身,我更在意另一种常见的心理。
人们似乎总是倾向于美化自己从未选择过的道路。
当我们在已经选择的道路上遭遇挫折、疲惫或者失望时,很容易回头想象另一种人生。
如果当初选择了另一个专业,会不会发展得更好?如果进入另一家公司,是不是就不会遇到这些问题?如果当初放弃某个项目,把时间投入另一个方向,现在是否已经取得了更大的成就?
这些问题看起来是在反思过去,实际上却隐藏着一个很难察觉的不对称。
我们对已经选择的道路,拥有真实而具体的经验。我们知道其中的困难、失误、遗憾和代价。
但对于没有选择的道路,我们拥有的往往只有想象。
那条路没有真正经历过的失败,没有亲自承担过的风险,也没有那些琐碎而令人疲惫的日常。我们很容易保留它最吸引人的部分,却忽略它同样可能存在的问题。
于是,一条真实走过、充满缺陷的道路,被拿来与一条经过想象美化的道路比较。
这样的比较,从一开始就不公平。
或许另一条路确实更好,但也完全可能一样艰难,甚至更加糟糕。
我们无法同时经历两种人生,也无法在完全相同的条件下验证另一种选择的结果。
对于离职这件事也是如此。
我当然可以设想,如果当初没有离开,未来会发生什么。或许会出现新的机会,或许一些问题会逐渐改善,也可能原有的困难继续存在。
但这些都只是可能性。
我没有理由因为现实中的新工作遇到困难,就认定留在原来的地方一定更好;也没有理由因为现在发展顺利,就断言当初留下来必然是错误的。
我真正能够评价的,是自己当时为何作出选择,以及后来获得的事实能否帮助我改进判断。
人们常说「落子无悔」。
过去,我容易把它理解为一种坚定:既然已经作出选择,就不要后悔。
现在,我更愿意从另一个角度理解它。
落子无悔,并不是认为每一步棋都下得完美,而是承认每一步棋都只能在当时的局面下作出。
我们可以复盘棋局,理解失误,改进策略,却无法回到过去,在完全相同的条件下重新下一遍。
更没有必要因为眼前这一局不够完美,就反复想象另一局从未发生过的棋,会拥有怎样理想的结局。
过去的选择不需要被反复证明正确,未来的选择也不必为了维护过去而受到束缚。
我越来越不愿意简单地用正确或错误评价人生中的每一个决定。
当然,有些选择确实建立在错误的信息或判断之上,值得反思和纠正。但更多时候,摆在我们面前的并不是一个正确答案和一个错误答案,而是几种各有收益、风险和代价的可能性。
很多道路并没有绝对的对错,只有在特定的时间、环境和目标下,是否值得投入的判断。
世界并非非黑即白。它更像是一抹精致的灰。
而在这样的世界里,选择也意味着接受一件无法回避的事情:当我们走上一条道路,就已经放弃了亲自经历其他道路的机会。
放下那些未经验证、被想象美化的可能性,得到的不是对自己永远正确的确信,而是把注意力重新放回当下,投入仍然可以改变的未来。
写在最后
大一时,导师已经把「舍得」这个道理告诉了我。
我当时知道它,也认同它,却没有真正理解它。
几年之后,当我接触到更复杂的工程系统,看到技术选择背后的长期成本,也亲自经历了一些失败与取舍,才逐渐理解这两个字的分量。
这或许也是经验与知识之间最微妙的区别。
知识可以被传递,结论可以被复述,但一个结论究竟能够在多大程度上影响我们的判断,往往取决于我们是否拥有足够的经历与认知结构去理解它。
AI 正在让知识获取变得前所未有地廉价,也让许多原本困难的事情变得触手可及。
但它没有消除人的有限性。
我们仍然只有有限的时间、精力和资源,不可能把所有值得做的事情都做到最好,也不可能同时经历所有看起来充满可能性的人生。
舍弃部分同样有价值的技术方向,得到的是将有限资源集中于核心能力的机会;舍弃无止境的浅层探索与中途转向的冲动,得到的是深入理解复杂问题的时间,以及让选择获得充分验证的机会;舍弃对未曾选择之路的反复想象,得到的是对现实生活更加完整的投入。
这些「得」都不是对成功的保证,而是通过主动放弃,为真正重要的事情创造实现的条件。
如今再回想导师当年的那句话,我终于开始理解:
所谓舍得,不是为了得到更多,而是明白自己真正想要什么,并愿意为了它,放弃其他同样值得拥有的东西。