全文约 6,687 字 阅读需要 9 分钟
出发前
你有没有过这种感觉，每天都很忙，但到了年底复盘时却发现，和去年的自己相比，好像没什么本质变化？
AI 让这个问题变得更紧迫了：以前，靠经验积累、信息差、熟练度还能维持一段时间的竞争力。但当 AI 可以在几分钟内做到我们过去需要几天才能完成的事情，甚至做得更好时，「熟练」本身的价值正在快速缩水。我们没办法准确预判 AI 最终会走到哪里，但有一件事很明确：等看清了再行动，大概率已经晚了。
所以这篇文章我们邀请了 AfterShip 的技术 VP —— Mason 来分享他做「自我诊断」的一套方法，从动力、方向、目标、投入到方法，逐个排查，先把问题定位清楚，再去想怎么解，以下是 Mason 的分享。
一、成长的七个自我诊断
有些停滞不是我们的错，会受限于组织架构、团队分工、业务阶段等真实的约束。
但在任何一个不完美的环境里，我们依然可以去改变一些自己能控制的变量，找到真正制约自己成长的卡点。
我做自我诊断的方式是：动力 → 方向 → 目标 → 投入 → 方法。
前三个决定「我在往哪走」，后两个决定「我走得够不够快」。
1. 我到底想不想成长？
| 我的成长核心驱动力来自什么？成长不是被动接受，而应该是主动选择。
在聊「怎么成长」之前，先要想清楚：我到底想不想成长？是别人期望我成长，还是我自己想成长？
我很羡慕那些兴趣驱动型的人，他们在做的事情就是自己喜欢的事情，成长对他们来说不需要「坚持」，因为根本停不下来。回到我自己，做软件开发不是天生的兴趣，不然大学也不会放纵了三年。
但我在不同阶段找到了不同的驱动力：
- 刚毕业时靠成就感驱动。
身边有厉害的人，我就把他们当参照物，目标是用更短的时间达到他们的水平。我不知道自己想要什么，但我不想比别人差。每次达到目标，那种成就感都会带来持续的满足感。 - 成家后靠责任感驱动。
2014 年认识了我现在的老婆，开始有了家庭的责任。成就感是「我想变强」，责任感是「我不能不强」。我想让自己拥有对未来的「选择权」，而不是被动接受。 - 最近几年靠危机感驱动。
AI 的发展让我意识到，过去十多年我所积累的很多技能，AI 已经可以做得比我好很多。ChatGPT 发布那一刻，对我来说就是一个 Wake-Up Call。如果我继续停在原地，用过去的经验和思维方式应对未来，我还能适应这个行业吗？
兴趣驱动和成就感驱动当然更良性，也更可持续。但责任感和危机感，也一样可以推着我往前走。
不是每个人都能靠热爱驱动成长，但每个人都可以找到属于自己的、不得不往前走的理由。
2. 我在往对的方向跑吗？
| 我是否陷入了「战术上的勤奋，掩盖了战略上的懒惰」的困境？
我在微博工作那段时间，一度对 Linux Kernel 很感兴趣，花大量业余时间去钻研，想把 Kernel 中各个核心模块的原理和源码实现搞透。
后来部门负责人问了我几个问题：你花大量时间研究 Kernel 是为了解决什么问题？未来想往这个方向走吗？如果不是，你未来的规划是什么，这些投入相比于其他事项哪些对于你来说能带来更高的价值？
我后来想了想，做 Kernel 开发确实不是我未来的方向。我之所以感兴趣，是因为之前通过看 Kernel 源码解决过几个诡异的线上问题，从中获得了很强的兴奋感。研究 Kernel 本身很有价值，对底层的理解在很多场景下都非常有帮助。但问题是，在我时间有限的前提下，花大量时间深入一个我不会长期从事的方向，意味着我在其他更需要补齐的能力上投入不足。真正需要回答的不是「这件事有没有价值」，而是「在所有有价值的事情里，这件事是不是当下 ROI 最高的那个」。
我要做、要学的东西太多了。真正的能力，不是把所有事情都做，而是知道哪些事情可以不做，把时间留给真正重要的事情。
后来我养成了一个习惯，定期问自己几个问题，避免在错误的方向上狂奔：
3. 我的目标够高吗？
| 如果我在 25 岁就可以做到的事，不要把它定义为 35 岁的目标。
有时候我会觉得，工作几年后，即使投入差不多，每一年都过得特别快；反而刚毕业那几年，时间像「慢动作」一样。
这背后一个可能的解释是「新知密度」的下降。刚毕业时，一切都是新的：新技术、新业务、新协作方式，大脑一直在高速运转和吸收。而工作多年后，如果目标设得太低，每天都在舒适区里打转，大脑不再需要高强度运转，时间自然就会过得很快。大脑对重复经历不会留下太深的记忆，只有新鲜的、有挑战的经历，才更容易被深度记住。所以当每天都差不多的时候，回头看一年，就像没怎么过一样。
同时，我一边在成长，另一边也在遗忘。如果新增知识的速度跑不过遗忘的速度，可能就是在原地踏步甚至退步。而且一个知识从「不懂」到「懂」可能不难，但从「懂」到「精通」再到「能教别人」，每往上一层所需的投入都是巨大的。很多人卡在「懂了」就停下来，觉得自己已经掌握了。
更残酷的是，随着年龄增长，再叠加家庭和身体因素，我的精力和记忆力很难再和刚毕业时一样。但行业不会因此降低对我的期待。如果资历的增长没有伴随不可替代性的提升，被替代只是时间问题。
成长要趁早。在精力最充沛、负担最轻的时候，尽量拉高自己的天花板。
不要把 25 岁就能做到的事，留到 35 岁再去实现。
4. 我真的努力了吗？
| 我真的花时间了么？是每周 2 个小时的自我安慰，还是每天工作之外最少 2 小时的坚持？
从 0 到 1，想成长就得先跨出第一步，不然永远在起点。但跨出去之后，还得看时间投入。不同人对「努力」的定义差别很大。如果我指望碎片化的时间就能让自己成为行业顶尖，那很难。
算一笔账：假设两个人起点相同、方向一致、吸收效率也一样。一个每天工作之外投入 2 小时，另一个每周投入 2 小时，前者的输入量就是后者的 7 倍。而现在又多了一个变量：如果前者善用 AI 来放大自己的学习、思考和产出效率，而后者还停留在三年前的工作方式，差距就不只是时间投入的 7 倍，工具的代差会进一步放大时间的差距。
即使我现在比周围人稍强一点，但如果别人比我投入更多时间，这点优势很快就会被抹平，甚至被超越。同样需要 100 天才能掌握的东西，用一年掌握和拖三年才掌握，结果完全不同，所以投入的密度很重要。
在过往我遇到的那些真正优秀的人里，几乎没有不努力的。所以我一直在提醒自己：
比我优秀的人还比我努力，那我凭什么觉得自己可以轻易变得和他们一样好？
5. 我的方法有效吗？
5.1 方法论：先抬头看天，再不断迭代适合自己的方法！
| 方法对了，同样的时间能产出完全不同的结果。
一个我经常问自己的问题是：同样的时间，我吸收转化了多少？有时候自己花一周搞明白的东西，别人可能一天就通透了，差距不一定在智商，很可能在方法。我花了很长时间实践才产生的「顿悟」，可能只是别人的基本功。
所以我养成了一个习惯：每接触一个新领域，先快速了解「行业现状和已有的最佳实践是什么」，站在这个基础上再深入。从零摸索和站在巨人肩膀上出发，效率差很多。现在 AI 已经大幅降低了这个门槛。善用 AI 做前期调研和信息整合，可以让我更快地到达「真正需要自己深度思考」的那一层。
「抬头看天」不只是看行业现状和实践，也包括看学习方法本身。行业里其实已经有很多成熟的方法论，先知道哪些方法有效，能少走很多弯路。但没有哪个方法是万能的，不同场景需要不同的工具。比如：
-
学一个新概念或新技术，费曼学习法可能有效，讲不清楚的地方，就是我还没真正理解的地方。 -
做决策或排查问题时，5 WHY 分析法能帮我穿透表面症状找到根因。 -
面对一堆混乱的信息时，先建立一个自上而下的分析框架，往往比一头扎进细节里效率高得多。
方法没有最好的，只有当下最适合自己的。尤其在 AI 时代，昨天有效的方法今天未必还是最优解。如果我发现最近学习效率明显下降了，但投入的时间并没有减少，大概率不是我变笨了，而是方法该升级了。
5.2 复盘：为什么所有人都认可复盘，但「真正」在做的人很少？
| 没有复盘的努力是盲目的。我可能在一条错误的路上狂奔，有时还觉得自己挺拼的。
复盘这件事，十个人里有八九个认可它的价值，但真正在坚持做的寥寥。
背后可能有两层原因：
- 表层：不愿意面对真实的自己。
复盘意味着我得直面「我在哪里浪费了时间」、「我的判断哪里出了错」、「这个事情搞砸了有多少是因为我」。这些答案往往让人不舒服。人都有自我保护的本能，承认自己低效或犯了错，比承认别人犯了错难得多。所以很多人宁愿继续往前冲，也不愿停下来看看自己的状态。不是不知道该复盘，而是不想面对复盘的结果。 - 深层：我以为自己在认真复盘，但大脑已经在替我「美化」结果了。
这层更难对抗，因为它发生在意识之外。有时候我不是没看到那些信号，而是大脑自动帮我过滤掉了跟「我的决定是对的」相矛盾的信息。这在心理学上叫 Confirmation Bias，我们天然倾向于寻找支持自己已有判断的证据，忽略相反的证据。表层的问题是「不做复盘」，这层的问题是「做了复盘但复盘本身是失真的」。后者更危险，因为它给了我一种「我已经在反思了」的错觉。
同时，复盘中容易被忽视的一件事，「复盘自己的复盘方法」。这是我以前做得不够的地方。我做了好几年复盘，一直觉得效果「还行」，直到我发现：我的日复盘已经退化成了例行公事，脑子里过的问题越来越固定，触发的深度思考越来越少。比如，我的周复盘连续几周都在反思「时间管理不够好」，却从来没继续追问：为什么这个问题总在反复出现？
所以，复盘的方法本身也需要迭代。判断标准很简单：如果我的复盘连续几周都没有产生新的认知，或者没有带来任何实际行为的改变，那就是该审视方法本身的信号。从只看「执行效率」升级到看「方向选择」，从自己闷头想到找人聊聊、让 AI 帮我做反思，形式不重要，关键是重新激活复盘里的深度思考。
6. 范式转移：AI 时代什么能力变得更重要了？
| AI 正在让「怎么做」变得越来越容易，但「做什么」和「为什么做」的价值反而在上升。我现在每天投入时间积累的，是哪一种？
AI 能大幅提升学习效率，以前探索某个领域，需要自己找大量资料、深入思考、反复对比。有了 AI 后，很多信息获取和初步分析它可以帮我搞定，省掉了大量探索过程。但这里藏着一个陷阱：省掉探索过程的同时，也省掉了深度思考的机会。如果我只是用 AI 来替代思考，而不是用它来增强思考，长期来看我的核心能力可能在不知不觉中退化。我需要警惕「AI 让我觉得自己变强了」的错觉。
AI 正在快速拉平信息差和基础技能差。以前能构成竞争力的东西，掌握一门编程语言、熟悉一个业务领域的知识、写一份结构清晰的方案，AI 几分钟就能做到，这些能力的溢价在急速下降。
那什么能力更值得投入？短中期内，我认为我自身有几项核心能力需要持续提升：
这四者是递进的：先要能看见问题和机会，然后判断哪些是真的、哪些是幻觉，接着在不断变化中持续跟上，最后把认知变成实际结果。
7. 环境与圈子：被低估的成长加速器！
| 环境对成长的影响，远比我们以为的大。
一个人闷头成长和在一群优秀的人中间成长，效率差距远比想象中大。
-
优秀的人会拉高我的标准。我以为的「还行」，在他们眼里可能是「不及格」。 -
会缩短我的试错周期。我花一个月踩的坑，人家一句话就帮我绕过去了。 -
会倒逼我输出。和比我强的人讨论问题时，我不得不把思考理清楚、表达清楚，这本身就是一次深度学习。
如果已经身处这种环境，就要有意识地善用它。但现实中不是每个人都随时有这样的条件。好在现在 AI 也是一种「环境」。它虽然不能替代真人之间的信任和碰撞，但它有一些独特的优势是真人很难提供的：
-
它没有情感负担，不会顾忌我的面子，可以毫不留情地拆解我方案或者思考逻辑里的漏洞。 -
它的知识面极宽，我可以让它在一次对话里同时扮演技术专家、业务顾问和战略教练等不同角色。 -
它随时在线，凌晨三点我突然想通了一个问题想找人验证，它不会已读不回。
在我自己的体感里，很多需要「高密度信息输入+多角度挑战」的场景，AI 给我的帮助超过了身边大多数人。
但真人能给的东西它补不了，一个我信任的人在关键时刻的一句点醒、一群优秀的人带给我的持续压力和标准校准，这些依然不可替代。最理想的状态是两者叠加：用真人环境拉高标准和方向感，用 AI 加速日常的思考密度和迭代频率。
二、诊断之后，如何迈出第一步
如果前面的自我诊断帮我们找到了卡点，接下来该怎么办？
说实话，我不打算在这里写一堆「应该怎么做」的建议。每个人的卡点都不一样，通用的 How-To，大概率只会变成正确但无用的废话。
我更建议这样做：带着那个最核心的卡点，去做一次高质量的深度对话。
对象可以是 AI，也可以是我信任的人。关键是不要泛泛地问「我该怎么成长」，而是把自己的真实处境、纠结和约束条件都摊开来，让对方帮我拆解。比如：类似于「我做了自我诊断，发现自己最核心的卡点在 X 维度。具体表现是 Y，我试过 A 和 B 但都没用。我的约束条件是 C。你觉得我的诊断准吗？如果准，还有什么突破思路？如果不准，你觉得真正的卡点可能在哪？」这种提问，比「请给我 10 条建议」的泛泛提问更有用。
而能不能问出这样的问题，取决于我们对自己问题的理解有多深。这恰恰是「自我诊断」的意义：找到背后的 Root Cause，不是为了立刻得到一个答案，而是为了问出一个好问题。
所以如果这篇文章能推动我们做的几件事，我希望是这些：
- 先诊断，别盲目：
如果是自己卡住了，花点时间想清楚自己到底卡在哪里，如果是管理者想识别团队成员的卡点，也可以通过以上诊断方式，帮助团队成员理清楚他们卡在哪里。大多数人的停滞不是因为缺少行动，而是因为还没找到真正的问题。 - 然后去聊一次：
带着自己的成长诊断，找 AI 或者身边靠谱的人做一次深度对话。不要带着「给我答案」的心态，而是带着「帮我拆解」的心态。 - 最后，选一件事先动起来：
不需要一次解决所有问题。基于判断力，找到当下改变成本最低、但对成长杠杆最大的一个点，先做起来，然后定期复盘、持续调整。
三、路上见（含成长诊断 Prompt）
成长这件事，没有标准答案，每个人的起点、处境和节奏都不一样。
最后多说一句：AI 时代下，真正值得花时间想清楚的不是「AI 会不会替代我」，而是「我怎么用 AI 把自己变得更不可替代」。这两个问题思考的方向完全不同。
前者越想越焦虑，后者越想越有行动力。
本文转载自@aftership公众号
https://mp.weixin.qq.com/s/IW1rCx3pIOXuh6CepjJFQ