个人学习方法分享
新知识，最重要的不是马上开始学，而是先判断：
我为什么要学？
我要学到什么程度？
它到底能不能解决我的问题？
一、先认识这个知识
面对一个新的知识或技能，先问四个问题：
它是什么？
它解决了什么问题？
没有它之前，人们是怎么做的？
它能不能解决我的问题？
这里的“问题”是广义的，可以是真实需求，也可以是好奇心、临时想法，甚至只是一个暂时的兴趣。
比如学习 Git。
Git 是什么？它是一个版本管理工具。
它解决什么问题？它解决代码版本记录、多人协作、回滚历史的问题。
没有 Git 之前，很多人可能用“最终版”“最终版2”“真的最终版”这种方式保存文件。
那它能不能解决我的问题？如果我经常写代码、写文档、多人协作，它就非常值得学。
二、判断我为什么要学
接着要问一个更重要的问题：
我为什么要学它？
原因大概有三类。
它能解决我的实际问题
比如我学 Excel，是因为我要处理数据；我学英语，是因为我要读文档、看论文、和别人沟通。
它暂时不能解决我的问题，但我觉得它很有意思
比如我学天文学、哲学、音乐理论，不一定马上有用，但它能提高我的素养。
我想装逼
这个动机也很正常，关键是别死不承认，因为不同动机会影响学习深度。
三、明确我想掌握到什么程度
然后进入第二个决策：
我想掌握到什么程度？
同一个知识，不同目标对应完全不同的学习成本。
比如学习摄影：
如果只是想拍出好看的旅行照片，那需要掌握构图、光线、基本后期。
如果想做商业摄影，就要理解布光、器材、客户需求、风格控制。
如果想成为摄影理论研究者，那还要理解视觉文化、美学、影像史。
所以，“学摄影”本身不是一个清晰目标。
清晰目标应该是：
我想用摄影解决什么问题，并且掌握到什么程度。
可以把掌握程度分成几层：
了解它
知道它是什么，能听懂别人讨论。
会使用它
能用它解决具体问题。
能解释它
知道它为什么这样工作。
能迁移它
面对新问题时，能用它的思维方式解决问题。
能创造它
能改造、组合，甚至提出自己的方法。
目标越高，前置条件越多。
四、检查前置条件
所以还要问：
为了达到这个程度，我需要哪些前置条件？
如果前置条件不会，就有两个选择。
选择一：降低预期掌握程度
比如我想学机器学习，但我数学基础不强。
如果目标只是调用 API 做一个小工具，那暂时不需要深入概率论、线性代数和优化理论。可以先学基本概念和使用方法。
选择二：补充前置条件
如果我的目标是理解机器学习模型为什么有效，那就绕不开数学、编程、统计学。
这时就要把“学习机器学习”拆成一组前置学习任务。
也就是说，如果前置条件也不会，那么它本身就会变成一个新的学习对象，重新回到前面的学习决策流程。
五、进入学习：先建立理解框架
完成决策之后，才真正进入学习。
我的学习方法是：先掌握核心概念、第一性原理，或者根据自己的需求，封装一个属于自己的“临时第一性原理”。
这不意味着一开始就要深入到底，而是先建立一个适合当前目标的理解框架。
比如学习数据库，我不一定一开始就研究存储引擎、索引底层结构、事务隔离级别。
我可以先建立一个简单框架：
数据库就是用来可靠地存储和查询数据的系统。
表是数据结构。
SQL 是和数据库沟通的语言。
索引是为了更快找到数据。
事务是为了保证一组操作要么都成功，要么都失败。
这个理解不完整，但足够支撑初学阶段的使用。
六、进入学习后的两个方向
之后学习有两个方向：
向上，解决自己最初的需求。
向下，继续深入理解。
向上：解决自己最初的需求
向上，是解决自己最初的需求。
比如我学 SQL 是为了做报表，那我就重点学习查询、筛选、分组、排序、聚合、关联表。
只要能解决报表问题，就先不要被数据库内核、锁机制、分布式一致性带跑。
向下：沿着演进路线继续深入
向下，是继续深入。
但如果选择深入，我不建议一上来就学习这个知识的最终形态。
更好的方式是从起点开始，看它是怎么一步步演进过来的。
因为演进路线里藏着真正重要的东西：
人们遇到了什么问题？
旧方法为什么不够用？
新方法解决了什么？
新方法又带来了什么代价？
比如学习前端框架，不要只问“React 怎么用”。
可以往前问：
为什么需要组件化？
为什么直接操作 DOM 会变复杂？
为什么需要状态管理？
为什么出现 Hooks？
为什么服务端渲染又重新变重要？
这样学到的就不只是工具用法，而是背后的问题意识和思维方式。
工具会过时，但思维方式不会那么快过时。
七、自学的核心
所以自学的核心不是“把资料学完”，而是不断做判断：
这个知识是什么？
它解决了什么问题？
它和我的问题有什么关系？
我为什么要学？
我要学到什么程度？
我缺哪些前置条件？
现在应该向上解决问题，还是向下理解原理？
当这些问题想清楚，学习就不会变成盲目收藏课程、囤书、刷教程，而会变成一个有方向的决策过程。
真正好的自学，不是把一门知识从头到尾学完，而是知道自己为什么进入、应该停在哪里，以及什么时候值得继续深入。
