重复性工作中如何培养匠心

简介: 本文探讨在重复性工作中如何培养匠心,指出匠心源于重复,但并非所有重复都能成就匠心。通过泡面与烹饪的对比,提出“结果价值空间×过程贡献度÷可预测性”公式,揭示高价值、高变异性、高参与度的工作才更具匠心培育潜力,为技术人持续成长提供思考路径。

这两个词放在一起,是不是乍一看有点别扭?别扭点大概在于:匠心是公认的褒义词,而重复性工作虽然原本是中性词,但在互联网技术语境里,通常都是以技术解决问题、消灭重复性工作为目标,久而久之,重复性工作更像是个贬义词了。但是反过来想,匠心来自哪里?寿司之神的匠心,来自于数十年如一日的制作寿司,庖丁解牛的匠心,也来自于无数次的重复解牛的工作。所以,匠心来自于重复性工作,但重复性工作未必一定培养出匠心。

为什么想要探讨这个话题呢?最近两年我参加的师兄坐镇一对一沟通中,很多师弟师妹会问到一大类问题:如何在已经比较熟悉的工作领域挖掘成长空间,持续发展不停滞,保持自己的竞争力。

通过这个问题的表述可以看出,我和师弟师妹其实达成了一个隐含的现状共识:随着互联网行业的逐步成熟,以及近几年平台经济的增长放缓,大部分技术同学的工作,都是对成熟技术的应用实践,而非技术突破。进而,作为每个工程师个体,在胜任日常工作,成为团队主力成员后,多数是在已熟悉的工作领域挖掘成长空间。

举个例子,比如双十一,作为一年一度的展示技术能力的大舞台,所用到的压测技术在几年前就已基本成熟,近两年更多提的已经是大促日常化,减少值班成本等优化方向。对于同一名双十一技术负责人来说,负责过一年双十一之后,对第二年双十一也必然是胜任的,除了局部优化之外,整个双十一压测并不需要用太多新技术来解决问题。

有人可能会说,但业界一直有突破性技术产生啊,比如去年底横空出世的大模型技术。没错,大模型,区块链,这些是典型的突破性技术,虽被广泛看好,但仍未辐射到所有技术工作中,阿里蚂蚁业务发展转换而来的技术需求中,大部分是通过工程能力实现功能,间或通过架构优化提升非功能性技术指标;只有少部分在用新技术孵化或革新业务,从而打开新的增长空间。

回到师兄坐镇的问题:如何在熟悉的工作领域挖掘成长空间,我把问题转换为,如何在重复性工作中培养匠心。本文中,重复性工作不是贬义词,是对现实情况的客观认知。匠心仍是褒义词,是每个人对卓越工作的追求,也承载了个人成长发展的诉求。

略为冗长的开篇之后,我们进入正题。(潜台词是,如果不认同上述语境,正篇参考价值就不大了。)

既然要讨论重复性工作中如何培养匠心,我们先看看什么样的工作无法培养匠心。

举个例子,烹饪和泡方便面。

烹饪是能体现匠心的重复性工作,古代有宫廷御厨,现代有特级厨师,动漫里还有中华小当家。做饭的重复性体现在每一道菜品的重复制作,也能体现在菜品之间工序的重复性,比如食材挑选,预处理,改刀,炒制,装盘。泡方便面显然也是重复性工作。那么泡面能培养出匠心吗?有听说过泡面时通过秒级控制时长,精确控制热量的传递效率,负载均衡的酱料分布技术,以及合理的界面布局,最终提升食客体验,达成色香味俱全,令人食指大动的客户价值么?好像有点怪怪的。

为什么泡方便面没有培养匠心的空间呢?我们从几点分别看一下。

一、从需求看结果:选择泡面时,通常是为了快速饱腹,满足基本的味道要求即可,极少有人会从泡面中追求额外的美食享受。即,泡面的结果价值空间不大。

二、从过程看:泡面过程对泡面最终味道评价影响不大,泡面的原料、配比、味道以及形态,都是在泡面生产过程中就已经固化为最终产品属性。泡面过程只是为了把产品设计属性表达出来。即,泡面过程对价值的贡献度较低。

三、从可预测性看:泡面自身的设计就是以简化过程,减少过程对结果的影响为目标,这是速食食品的普遍特点。只要操作过程合乎袋子背后的说明,泡面成功率100%。并且,在泡面过程中虽然可以调控水温、时长、调料用量,但每个调整动作确定后,对结果的影响基本也就被确定了。即,结果的可预测性很高。

四、综上,不论重复泡多少次方便面,都无法培养泡面执行人的匠心。

对标我们技术类工作,可以类比为只实现一个文案/图标的静态展示,哪怕重复实现千百次,也难以培养匠心。

从泡面的例子可以总结为三个指标的公式:(结果价值空间*过程对价值的贡献度)/可预测性。

前两个比较好理解,结果价值空间大,过程贡献度高,可以理解为每一次过程获得的结果价值”分成/分润”高。

可预测性可能有点不好理解,这是一个反向指标,假设每一次过程都能取得同样的结果,那么不同次的过程之间差异就很小。在重复性工作中,要让重复性变成正向特征,即让重复性发挥出价值,就需要在重复工作之间带来差异。这个差异可以是失败和成功的差异,也可以是一般成功和非常成功的差异。所以预测性越高,确定性越高,不同次工作之间的差异越不明显,那么工作1万次和工作10次的差异就很小,即重复次数获得的边际收益越小。反之,预测性越低,可能有一百种失败的可能,也可能有一百种不同程度成功的可能。那么重复1万次相比重复10次就有机会提高成功概率以及成功程度。这样才能够体现重复性工作的价值。

目录
相关文章
|
12天前
|
数据采集 人工智能 安全
|
7天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
340 164
|
6天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
344 155
|
7天前
|
编解码 人工智能 自然语言处理
⚽阿里云百炼通义万相 2.6 视频生成玩法手册
通义万相Wan 2.6是全球首个支持角色扮演的AI视频生成模型,可基于参考视频形象与音色生成多角色合拍、多镜头叙事的15秒长视频,实现声画同步、智能分镜,适用于影视创作、营销展示等场景。
557 4
|
15天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
1009 7