网上那么多“上岸经验”，到底有多少是在事后编故事？
每年高考、考研、考公、秋招结束以后，互联网都会进入一个很神奇的季节：突然之间，所有成功的人都变得特别会总结。
“三个月逆袭 985，我只做对了这三件事。”“普通人复制这套方法就够了。”“后来我才发现，真正拉开差距的根本不是努力。”标题一个比一个确定，看多了以后，你甚至会产生一种错觉：人生这玩意儿，原来是有 README 的。找一个已经跑通的人，复制他的配置，改一下自己的参数，理论上应该也能启动。
可惜人生不是开源项目，别人的运行日志也不等于你的部署说明书。一个人成功以后，总能从过去的几百件事里挑出几件看起来最像原因的东西，再把它们排列成一条清楚的时间线；至于这些事情究竟是成功的原因，还是成功以后才被赋予了特殊意义，就没有那么容易分清了。
所以，标题里的问题如果一定要先给一个答案，我认为是：我们不知道网上究竟有多少成功经验是在事后编故事，但有理由怀疑，绝大多数经过传播的成功叙事，都把现实中复杂的因果关系压缩得过于整齐了。 这不等于说分享者都在撒谎。很多人确实努力过，方法也确实有用，只是一个人真诚地相信自己的解释，和这个解释真的具有因果效力，是两回事。
心理学里关于自利性归因的研究早已发现，人倾向于把好的结果更多归因于自己的能力、努力和判断，把不好的结果更多归因于环境、运气和外部条件。结果发生以后，人会重新整理原因，这并不是互联网时代才有的小毛病。互联网真正做的，是给这种整理提供了更大的舞台、更直接的收益，也给我们提供了几乎无限量的漂亮故事。
问题因此不该停留在“这个人到底有没有编”。更值得追问的是：他的故事为什么会被讲成现在这个样子，而我又凭什么相信，它能解释我的未来？
一、反事实缺失：一条时间线证明不了因果
假设有人告诉你：“我考研的时候每天六点起床，所以我上岸了。”
这句话听起来很有道理，甚至还带着一点道德上的优越感。毕竟六点起床总比睡到中午显得积极，成功者说出来，也很容易让人觉得这就是成功的关键。但如果真要证明它，我们需要的不是再听他讲一遍自己有多自律，而是找到一个完全一样的他：同样的基础、学校、家庭条件、老师和考试年份，唯一的区别是每天八点起床，最后再比较两个人的结果。
这才算一个相对干净的对照实验。问题是，人类暂时没有开放这个功能。
每个人只有一条时间线。高考考完了，不能读档回去把高中三年重新跑一遍；工作去了 A 公司，也不能同时去 B 公司待三年，再比较到底哪条路线更好。我们永远只能看到实际发生的那条路径，看不到同一个人在另一种选择下会怎样。因果推断里把这种没有发生的可能结果称为“反事实”，而个人经验最根本的缺陷，恰恰就是缺少它。
一个人说“我从来不刷短视频，所以我成功了”，你不知道他天天刷短视频是不是照样能考上；他说“大二就开始做项目，所以后来进了大厂”，你也不知道真正起作用的到底是项目、学校、专业、行业周期、一次内推，还是那一年岗位恰好扩招。所有变量混在一起，最后系统吐出来一个结果：上岸。然后人脑开始做一件特别擅长的事情，从几百个变量里挑几个最顺眼的，重新排一遍时间线，补上因果关系，最后来一句：“现在回头看，其实一切早有预兆。”
这就是后见之明偏差迷人的地方。事情发生以前，大家都不知道以后会怎么样；事情发生以后，很多人却觉得当时已经很明显了。
Taleb 讨论过一个很贴切的概念，叫“叙事谬误”。现实本来充满噪声、偶然和互相纠缠的因素，但结果一旦发生，人脑就特别擅长给它补上一条连续、合理，甚至显得有点必然的故事线。多少有点像股票走完以后看财经分析：K 线只要出来，故事总能补上。涨了可以说市场看好长期价值，跌了可以说市场担忧短期风险，横盘也能解释成多空双方正在等待新的催化剂。总之，世界负责发生，解释负责随后赶到。
人生也是如此。“这些因素可能共同提高了一部分成功概率”，很容易被压缩成“我就是靠这个成功的”。前一句比较接近现实，后一句比较适合做标题。我们真正需要警惕的，正是这种从“可能有帮助”到“决定性原因”的偷换。
二、确定性交易：为什么故事越讲越像公式
如果只是人脑喜欢整理故事，问题还没有那么严重，因为讲故事的人至少可能自己也真的相信。但互联网里还有另一层东西：激励。
“三个月逆袭”“普通人照着做就行”“真正拉开差距的只有三件事”，为什么这些标题总比“该方法可能在部分条件下有效，但样本不足，结论暂时不确定”传播得快？原因并不神秘，确定性更好卖。
一篇文章如果最后要卖考研课，它当然更希望你相信作者已经找到了决定上岸的关键变量；一个账号如果要卖职业咨询，也更喜欢告诉你，你的问题非常明确，而且他知道解决方案。即使不卖课，流量本身也有价值，平台同样更容易奖励简单、清晰、情绪强烈、可以迅速理解的表达。一个人说“我成功有很多原因，有些我自己也分不清”，这话可能很诚实，但很难做成爆款封面。
于是成功经验的生产链条里，除了人的认知偏差，又多了一层传播激励。讲故事的人希望你看完，平台希望你停留，卖课的人希望你相信，这个世界虽然复杂，但刚好存在一个明确答案，而那个答案最好就在下一节付费内容里。
所以我现在看到一篇特别笃定的上岸经验，会先问一个很俗、但很有用的问题：这个故事最后在向我卖什么？ 是课程、社群、咨询、简历修改、付费专栏，还是账号本身的关注和流量？有商业目的不代表内容一定是假的，免费分享也不代表一定客观，但如果一个人的收益和你相信这个故事的确定程度直接相关，就应该给他的“确定性”打一点折。不需要懂统计学，先看看收银台在哪里。
不过，只怪卖课的人和平台，也解释不了为什么这类内容永远有市场。因为我们自己也很愿意购买确定性。
人在焦虑的时候，最难受的往往不是事情很难，而是不知道接下来该怎么办。考研还有半年，秋招马上开始，同学一个个有了结果，自己连方向都还没完全想清楚。这时候一篇文章突然告诉你“真正重要的只有三件事”，它提供的已经不只是信息，还有一种非常便宜的心理安慰：原来世界还是有答案的。
有时候，收藏一篇方法论、转发一个上岸攻略、做一个巨长的 Notion 计划，本身就会制造一种微妙的错觉，好像自己已经开始解决问题了。可收藏当然不等于行动，看完别人五千字复盘，也不等于自己做了一道题、投了一份简历、写了一行代码。成功经验最容易出售的东西，甚至不一定是方法，而是暂时替你管理焦虑的确定感。
这也是为什么我觉得，读成功经验时最应该防备的，并不是某个作者道德上有多坏，而是一个双方都乐于参与的交易：他提供确定答案，我们暂时不必面对不确定性。交易完成以后，作者获得流量，我们获得安慰，至于方法到底能不能复制，反而成了最不急着验证的事情。
三、样本筛选：你看到的成功者，本来就不是全部人
说幸存者偏差，大家最喜欢举 Abraham Wald 的轰炸机故事。流传最广的版本大概是：二战期间，军方统计返航飞机上的弹孔，发现机翼和机身某些位置中弹很多，于是准备优先加固那里；Wald 指出，真正应该关注的是那些返航飞机上很少出现弹孔的位置，因为被击中那些地方的飞机，可能根本就没回来。
这个故事很漂亮，有数据，有反转，有一个天才，还有一个所有人听完都能记住的结论。问题恰好也出在它有点太漂亮了。Wald 当年的实际工作远比“看一眼弹孔图然后顿悟”数学化得多，后来网上到处流传的红点飞机图，也不是他当年的原始统计图，而是后人为了讲故事制作的视觉化示意。
这件事本身就很有意思：我们正在用一个经过后人压缩、简化、视觉化的故事，解释为什么人类特别容易把复杂现实压缩成一个漂亮故事，多少有点套娃。
不过，它背后的统计思想仍然非常重要：你能观察到的数据，本身可能已经经过了一轮筛选。
返航的飞机是幸存者，网上的上岸经验也是。你刷到的是“三个月上岸 985”“普通本科逆袭大厂”“一年从零做到年薪多少”，却很少刷到另外几百个人：他们同样每天六点起床，同样用了那套资料，同样做了三个项目，最后没考上、没拿到 Offer，项目也没人看。失败者当然不是不存在，只是他们更容易从你的信息流里消失。
成功的人有结果，有故事，有麦克风，还有动力总结。最终你看到的，往往不是所有人的原始经历，而是“被筛选过的成功样本，加上成功者本人对成功原因的解释”。相当于一个实验结束以后，唯一成功的实验对象，自己兼任论文作者、审稿人和新闻发布会发言人。这个安排不能说完全没有信息量，但如果拿来建立自然规律，多少有点危险。
真正的问题不是成功者有没有资格分享，而是我们常常把“一个成功者做过什么”，误读成“做这些事情的人有多大概率成功”。这两个问题的分母根本不一样。前者只需要采访成功者，后者却必须知道究竟有多少人做过同样的事，以及他们最后分别怎么样。
四、过拟合机制：一次成功，不能算作复现
个人经验还有一个特别像机器学习过拟合的地方。一个人成功了，样本量是 (n=1)，然后开始总结：因为我早起，因为我长期主义，因为我坚持复盘，因为我拒绝无效社交。变量可以一直往里面加，只要叙事自由度足够高，最后总能找到一套故事，把这唯一一个样本解释得特别漂亮。
但机器学习里大家都知道，训练集准确率 100%，不代表模型真的好，真正麻烦的是测试集。人生经验也一样，一个故事能完美解释自己，并不说明它能泛化。换一个人还成立吗？换一年、换所学校、换个城市、换个行业周期呢？如果去掉其中一个条件，结果又会怎样？
这其实就是复现的问题。
2015 年，Open Science Collaboration 做过一次很有名的大规模心理学重复研究项目，对 100 项已发表研究进行复现。其中一个经常被引用的结果是，重新得到同方向统计显著结果的比例只有大约三分之一，复现出来的效应量整体也明显小于原研究。这个结果当然不能简单理解成“心理学不科学”，它真正提醒我们的是：连经过研究设计、统计分析和同行评审的正式结论，都不能只靠一次结果建立可信度。
那么一篇“我是怎么三个月逆袭大厂的”，最好还是别直接当成自然规律。
当然，个人经验不需要达到论文的证据标准才能有价值，我们也不可能要求每个师兄分享前先做一组随机对照实验。但这不意味着两者可以混为一谈。个人经历可以提供线索，重复出现的结果可以增加可信度，而因果结论需要更严格的证据。 把不同层次的证据放回各自的位置，已经足够解决很多问题。
五、基础比率：有用的方法，也可能大概率输掉
有些竞争里，随机性的影响尤其容易被低估，因为我们总觉得，只要变量找得足够全，总能解释为什么这个人成功，另一个人失败。
现实却没有这么干净。两个能力差不多的人去面试，一个正好碰到熟悉自己项目的面试官，另一个碰到的团队当天刚收紧 HC；一个考生多蒙对两道选择题，另一个在一道本来会做的题上看错了条件；一个比赛项目正好撞上熟悉这个领域的评委，另一个做得同样认真，却没有得到同样反馈。这些东西很难写进成功方法论，因为它们不稳定、不可复制，也没什么励志价值，但它们确实可能直接决定一次结果。
假设一个人的真实成功概率是 60%，另一个是 50%，只看一次，50% 的人完全可能赢，60% 的人也完全可能输。努力、能力和判断会改变概率，却不负责兑现每一次结果。成功以后，别太急着把结果全部归功于自己的英明判断；失败以后，也别因为一次结果就把自己的路径全盘否定。运气不是为了替失败找借口，它只是提醒我们：结果不是能力的无噪声测量。
而且，不同类型的经验，随机性的占比完全不一样。比如学英语，你每天练听力、背单词、做阅读，三个月以后有没有进步，可以换很多套题反复测，时间拉长以后，偶然波动会逐渐被平均掉。但“我是怎么考上一个几百比一的岗位的”，就不是同一种东西。
假设一个岗位有 300 个人竞争一个名额，某种方法真的很有用，甚至让你的真实成功概率翻了一倍，从 0.3% 变成 0.6%。这已经是非常巨大的相对提升了，但单次结果里，你大概率还是失败。反过来，一个方法没有那么神奇的人，也完全可能刚好在那一次里赢。
所以在低基础比率、赢者通吃的竞争里，成功经验尤其容易被过度解释。它最大的麻烦不是方法完全没用，而是方法对概率的真实提升，和最后那个 0/1 结果之间，隔着非常大的随机性。 “我是怎么三个月提高英语水平的”和“我是怎么考上 300:1 热门岗位的”，本来就不该用同一种可信度去读。前者可以反复验证，后者往往只有一次中奖记录。
这也解释了为什么很多成功者会高估自己找到的方法。假如某个策略确实把胜率从很低提高到稍微没那么低，它仍然值得采用，但最后赢的人很容易把“我提高了胜率”讲成“我找到了必胜的方法”。这中间多出来的确定性，恰恰是最容易误导后来者的部分。
六、均值回归：一次暴涨，为什么特别容易产生神话
随机性还会制造一种特别容易被误认成“方法有效”的现象，叫回归均值。简单说，一个特别极端的结果，下一次往往没有那么极端。
比如一个人平时模拟考大概 380 分，某次突然考了 430，可能是当天状态特别好，题型正好顺手，蒙的几道题也都对了。下一次哪怕什么都没改，成绩也很可能往平时水平靠。反过来，一个平时表现稳定的人，某次突然考砸，下一次即使没有使用任何神奇方法，也可能自然回升。
问题是，人特别喜欢在这两次结果之间寻找原因。第一次考砸以后，换了一套复习方法，每天开始喝咖啡，甚至换了支笔，第二次成绩果然回升，于是“这个方法救了我”。但其中一部分变化，可能只是极端结果本来就在往平均水平回落。
这件事放到上岸经验里尤其麻烦，因为我们最容易注意到的，往往就是那些极端样本：三个月暴涨，连续挂科以后突然逆袭，连续面试失败以后一次拿下顶级 Offer。戏剧性越强，传播价值越高，而极端结果本身又更容易混入大量偶然波动。最后，最需要谨慎解释的结果，反而最容易被讲成确定的方法论。
所以看到一个特别戏剧化的前后对比，我更愿意追问：这里到底有多少是方法带来的变化，又有多少只是极端结果正在回归正常水平？一次暴涨、一次爆款、一次超常发挥，都比长期稳定表现更难解释。真正值得看的，还是后面能不能重复。
七、反馈循环：坚持的价值，不是让世界兑现承诺
既然单次结果这么不可靠，我们怎么区分能力和运气？很多时候，最有效的方法不是把那一次结果分析得越来越漂亮，而是增加重复次数，拉长观察时间。
一次面试看不出太多，十次、二十次以后，简历回复率、一面通过率、终面通过率，才开始变得更有信息量。一次考试发挥好不好，运气成分可能很大，但如果半年、一年里换很多套题，成绩持续提高，就很难全部解释成碰巧。一次文章爆了，可能只是刚好撞上热点；如果连续写几十篇以后，稳定有人看，那才更像某些能力真的存在。
这有点像大数定律的生活版本：次数越多，偶然波动越容易被平均掉，稳定能力才更容易从噪声里露出来。现实当然不是教科书里的独立重复试验，你每次尝试都会学习，市场也会变化，不同岗位和考试的条件也不完全一样，所以不能机械地说“只要投够一百次就一定成功”。但单次结果越随机，长期、重复的表现越值得看，这个判断仍然成立。
这也终于可以回答一个很容易被误解的问题：既然结果里有这么多随机性，努力到底还有什么意义？
我认为，随机性越大，持续努力反而越重要，因为它至少能做两件事。一方面，项目做得更多、问题见得更多、英语水平提高、面试表达更熟练，这些东西会慢慢改变下一次尝试的胜率；另一方面，持续行动让你拥有更多次把概率兑现出来的机会。如果成本允许，单次成功率即使不高，多尝试几次，也比第一次失败就退出更有机会遇到有利结果。
但这里的坚持，绝对不是把同一个动作重复一百遍。投了二十份简历完全没反馈，不是继续用同一版简历再投两百份，而是应该检查项目是否足够强、岗位是否匹配、关键词有没有过筛、经历表达是否有问题，甚至方向本身是不是需求就很少。真正有价值的持续努力，是行动以后读取反馈，再根据反馈修正下一次尝试。
所以努力真正的意义，从来不是“我只要坚持，世界最后必须奖励我”，而是一边提高概率，一边增加尝试次数，一边让自己的判断越来越接近现实。 这比“努力一定成功”少了一份承诺，却比“全靠运气”多了一条真正可操作的路径。
八、条件概率：全国平均人，不是你本人
讲到这里，很容易得出另一个看似科学的结论：既然个人经验这么不可靠，以后就不看个人了，只看全国数据、就业率、平均薪资、考研录取率和行业报告。
问题是，你不是全国平均人。
一个专业全国就业情况一般，不代表你所在的学校没有成熟就业路径；一个岗位全国很热门，不代表你的城市有足够多相关公司；一个方向整体竞争激烈，但你的导师、实验室和课程体系，可能恰好让你切进去的成本比别人低很多。所以一个学生真正做决定时，经常还是会先问：“上一届师兄去了哪？”“和我差不多的人最后怎么样？”“我们实验室过去几年一般走什么路线？”
这并不蠢。身边人的经历，往往就是普通人手里最容易获得、条件最接近、也最反复看到的一批局部数据。
从概率上说，我们真正关心的不是全国平均结果，而是在和自己比较相似的条件下，结果通常怎么变化。这更接近条件概率的思路。全国数据回答的是“一个随机抽中的人，大概会怎样”，而你真正想知道的是“在这个学校、这个专业、这个城市、这个时间点、这个基础下面，我大概会怎样”。这两个问题当然不是一回事。
这里还可以借用一个统计学概念，叫极大似然估计。它本来是一个正式的参数估计方法，简单翻成人话，就是假设已经观察到一批结果，然后去寻找一组参数，让“出现眼前这批数据”这件事变得最合理。
比如你连续看了几年实验室去向，发现上一届很多人去了算法岗，再上一届也是，前面几届似乎还是。你当然会逐渐产生一种判断：在这个实验室的条件下，走算法大概是一条常见路径。严格来说，参考师兄并不等于真的做了一次极大似然估计，但两者有一个相似的直觉，就是根据已经观察到的结果，反过来判断什么情况最像是产生这些结果的。
问题在于，极大似然估计只能根据你手里的数据做判断，它不会自动替你检查，为什么你手里偏偏只有这些数据。
假如找工作不顺的人早就转方向了，失败的人不太愿意出来分享，去年刚好撞上扩招，而你认识的几个师兄又恰好是实验室里最活跃、最愿意交流的那批人，那么“我看到的人好像都走通了”，就不一定等于“大多数类似条件的人都能走通”。你可以非常认真地，对一批有偏数据做出一个看起来非常合理的判断。
所以身边经验值得提高权重，但不能直接升级成答案。它的优势在于条件接近，缺陷在于样本可能很小，而且你未必知道哪些人没有进入自己的视野。局部数据比全国平均更贴近你的问题，却不一定比全国数据更完整。 真正可靠的判断，必须同时考虑这两件事。
九、分母审查：别让三个师兄代表整个实验室
即使完全没有选择偏差，身边经验还有一个更日常的问题：样本量。
假设有人告诉你：“我们实验室上一届五个人，三个去了大厂。”听起来是 60%，好像不错。但另一个实验室告诉你：“过去五届五十个人，三十个去了大厂。”也是 60%，这两个比例的信息量却完全不一样。3/5 里面，只要多一个人或者少一个人，比例就会从 60% 跳到 80% 或 40%；而 30/50 通常稳定得多。
所以以后听到“我们组基本都能进大厂”，最好顺口问一句：“你这个‘基本’，一共是多少人？”
问完人数，还得问分母。上一届最开始是不是有十个人，后来只剩五个人？另外几个人是不是中途换方向了？找工作不顺的人最后有没有被算进去？这个实验室是不是本来就只招基础特别好的学生？去年是不是恰好赶上扩招？你认识的三个师兄，是不是因为他们成功以后最愿意出来分享？
这些问题听起来有点扫兴，但它们决定了一个比例到底能说明什么。所谓“就业率 60%”，如果分母是全部入学的人、毕业时还在组里的人、实际求职的人，或者愿意接受采访的人，含义都不一样。没有分母的成功率，很多时候只是一个看起来很精确的形容词。
这时候，去找一些失败样本就很有价值。不过失败者也不会因为失败，突然升级成冷静的因果推断专家。成功的人可能说“因为我执行力强”，失败的人也可能说“就是运气不好”“公司黑幕”“老师针对我”。两边的事后解释，都可能带着各自的偏差。
失败样本真正的价值，往往不是从失败者嘴里找到真正原因，而是破坏一个过于漂亮的答案。十个上岸的人都告诉你“我每天背三小时单词”，听起来很有说服力；如果你又找到二十个没上岸的人，发现他们每天也背三小时，那么至少可以知道，“每天背三小时”不能单独解释成功。它可能有帮助，可能是基础动作，可能很多人都在做，但不能因为成功者都做了，就直接升级成核心因果。
失败样本最重要的价值，不一定是给出另一个答案，而是帮你拆掉一个过于漂亮的成功故事。 它让我们有机会从“成功者都做了什么”，转向“成功者和失败者之间，究竟有哪些有意义的差别”。
十、拥挤效应：经验一旦公开，优势就会重新定价
假设你已经非常聪明了，不看全国平均，只看和自己最像的人。你发现实验室上一届一个师兄做“大模型安全 + 模型测评”，最后拿到了一个特别好的 Offer。学校一样，导师一样，技术背景差不多，项目条件也接近，怎么看都是高权重样本。
于是下一届六个人全部开始模仿。两年以后，六个人简历上都是大模型安全、模型测评、红队、Agent，类似比赛、类似项目，甚至连“我要做出差异化”都差不多。于是出现一个很讽刺的结果：你越精准地找到了最像自己的成功样本，越可能和周围的人一起复制出一条拥挤路线。
这时候，问题已经从统计变成了博弈。我们不能只问“这条经验过去有没有用”，还得问：如果所有和我条件相似的人都能看见它，它现在还能给我多少额外优势？
不过，一看到大家都开始做，就认定这条路不能走了，也是一种很常见的误判。拥挤本身不是坏事，一个方向之所以拥挤，很多时候恰恰是因为它真的有需求，岗位多、薪资不错、进入路径清晰，或者已经被很多人验证过。没人竞争的领域，有时候不是蓝海，可能只是根本没人买单。
真正应该比较的，不是热门与冷门，而是在自己的条件下，各条路径现在分别有多大机会、需要付出多少成本、失败以后损失多少。
比如上一届师兄做模型测评拿到了不错的 Offer，后来所有人都开始做，那么原来的经验当然会被重新定价。以前会做模型测评，可能就是一个明显的区分项；后来大家都会，它可能只能保证你进入基本比较范围。但如果你本来就在相关实验室，导师有资源，已经做过真实项目，也有论文、开源或者行业合作积累，那么即使方向比两年前拥挤很多，它对你来说仍然可能比从零切一个看起来没那么卷的新方向更划算。
路径的价值从来不是一个统一数字。对一个完全从零开始的人，某个方向可能已经不值得进入；对一个已经积累两年的人，继续往深处走反而可能仍然是更优选择。为了不和别人一样，就从自己已经有积累的方向跳进所谓蓝海，最后发现确实没人竞争，因为也没什么机会，这种差异化就有点过于彻底了。
所以真正好的差异化，通常不是“别人做 AI，我偏不做 AI”，而更可能是大家都做 AI，但我在自己的条件下把其中一块做到更深，或者和另一种稀缺能力组合起来。公开经验告诉你市场正在奖励什么，局部经验告诉你从哪里切进去成本最低，拥挤程度则告诉你原来的优势现在还剩多少。三者放在一起，才比较接近真正的判断。
拥挤不会让一条经验自动失效，它只是重新给这条路径定了价。重新定价以后，它对我来说还是不是一笔值得做的交易，才是需要回答的问题。
十一、指标异化：为什么公开规则会把人变得越来越像
很多筛选指标为什么要公开？学历、绩点、论文、竞赛、项目、考试分数，这些标准公开，本来不是坏事。公开意味着更透明、更容易监督、更容易复核，也更容易回答“为什么他过了，我没过”。
如果规则完全不公开，筛选当然可能更灵活。面试官可以根据问题拆解能力、学习速度、合作方式和临场反应做出整体判断，这些东西甚至可能比项目数量更接近真实能力。但另一个问题马上来了：凭什么？你说他思维更好，怎么证明？你说他更适合团队，会不会其实只是个人偏好？不同面试官是不是完全两套标准？
所以公开指标有真实的程序价值，可只要规则公开，大家就会开始优化指标本身。公司说项目重要，大家开始堆项目；学校说论文加分，大家开始追论文数量；竞赛加分，大家开始研究哪类比赛投入产出比最高。于是一个原本用来观察能力的指标，慢慢变成了必须“合标”的东西。以前是“有这个特征的人往往比较优秀”，后来变成“想被认定为优秀的人，都得先把这个特征做出来”。
这就是古德哈特定律麻烦的地方：当一个指标变成目标以后，人会开始针对指标行动，于是指标和原来真正想测量的东西之间的关系可能逐渐变弱。
但既然大家都知道指标会失真，为什么不直接废了？因为筛选还有一个特别现实的约束：成本。
一家公司收到两万份简历，理论上最准确的方式可能是让所有候选人进来一起工作三个月，看看真实表现，显然不可能。所以筛选方必须找一些便宜、快速、可以批量比较，同时和真实能力多少有点关系的东西。学历、实习、项目、论文、证书，都可能承担这个角色。
这就是信号发送理论有意思的地方。雇主真正想知道的是这个人学习能力怎么样，能不能做复杂任务，执行力如何，遇到陌生问题能不能解决，但这些东西扫一眼简历看不出来。于是学历可能成为信号，大厂实习可能成为信号，完整项目也可能成为信号。它们当然不等于能力本身，却至少可以回答一个更便宜的问题：这个人值不值得我再花下一轮成本了解？
所以一个指标完全可能同时不完美、会被刷，但仍然有现实价值。企业知道两个项目不代表真正能力，候选人也知道；企业知道候选人在优化指标，候选人也知道企业知道自己在优化。但只要暂时没有一个更便宜、更可靠的替代方案，所有人还是继续用。
于是很多指标最后会从“有这个，说明你比较强”，慢慢变成“连这个都没有，我为什么要额外花成本了解你”。前者是在奖励优势，后者是在降低筛选成本。这就是很多人一边骂“学历没用”“项目都在包装”“证书就是形式主义”，另一边还是继续卷的原因。不是大家都真的相信指标，而是谁单方面退出，谁可能先失去进入下一轮的资格。
十二、规则响应：公开经验为什么会从优势变成门槛
这里还可以补一个容易和古德哈特混在一起的概念，叫卢卡斯批判。它原本讨论的是政策或者规则改变以后，人的行为和预期也会调整，所以不能简单假设过去环境里观察到的关系，换到新规则下面还会原样成立。
放到求职里很好理解。过去两个完整项目很稀缺，企业发现有两个项目的人往往实践能力不错，于是大家都开始做两个项目。几年以后，“两项目”已经不能很好地区分人了，企业又开始看项目深度、开源贡献、真实用户、实习和系统设计。规则一变，候选人继续调整。过去有效的方法，不仅会因为时代变化失效，还可能因为所有人都知道以后失效。
这就是很多公开经验最终会完成的一次身份变化：从优势，变成门槛。
以前会 Python 是优势，后来不会 Python 是劣势；以前有项目经历很亮眼，后来没项目反而显得奇怪；以前提前刷某类面试题能拉开差距，后来所有人都刷，面试官开始换题，候选人的整体准备水平也一起抬高。最开始是“做到这个，你比别人更强”，后来成了“连这个都没做到，你可能先被筛掉”。
这两种状态完全不一样。前者是在创造超额优势，后者是在维持参与资格。
所以公开经验不会因为人人都知道就失去价值，它更常见的变化，是从优势变成门槛。网络基础重要、算法重要、英语重要、项目重要、实习重要，这些经验大家都知道，当然应该做。问题是，它们最大的价值可能已经不再是帮你赢，而是帮你别因为连基本规则都不知道而先出局。
因此，判断一条经验时，最好多问一句：它现在是在创造优势，还是只是在补齐门槛？如果只是门槛，那就做，但别幻想它本身还能制造多大的超额收益。真正继续拉开差异的，往往是更具体的东西：你做到了什么深度，解决过什么真实问题，几种能力怎么组合，有没有形成别人很难快速复制的路径。
底层能力可以尽量学共识，具体路径不要完全照抄共识。 公开经验负责让你知道游戏的基本规则，局部经验和自己的积累，才更可能帮助你找到适合自己的打法。
十三、决策成本：别把自己分析到什么都不敢做
写到这里，可能已经有人开始烦了。看成功经验，要防幸存者偏差；看师兄，要考虑小样本、选择偏差和条件概率；看公开指标，又要考虑古德哈特、信号发送和规则变化；好不容易找到一条路线，还得判断是不是已经卷成基础设施。那还做不做决定？
这个问题很重要，因为普通人根本没有这么多数据。一个大三学生第一次找实习，可能连不同岗位实际干什么都还没完全弄懂，你让他判断基础比率、样本选择机制、行业周期和路径拥挤度，多少有点为难人。如果必须把这些全部分析清楚才能行动，最后最可能发生的事情就是：什么都不做。
所以前面这些概念真正的价值，不是帮你算出一个人生最优解，而是少一点不必要的确信。你不需要计算“这篇经验可信度 63.7%”，很多时候，只需要把“这就是正确答案”改成“这是目前我看到的一条比较值得参考的路径”，已经够了。
更实际的问题，是把判断和行动的成本放在一起考虑。假如某条经验看起来有道理，但你又不知道它到底有多大因果作用，最好的办法通常不是无限研究，而是问：我按它试一次，失败的代价有多大？
想转一个技术方向，可以先学一门核心课，做一个真正接近实际工作的项目；想投某类岗位，可以先投一批，看反馈；想做内容，可以先连续写一段时间，看看自己能不能稳定产出。这些尝试如果成本可控，就没必要等到所有证据都齐全才开始。
但有些事情不是“先试试看”这么简单。跨专业考研、高额负债、长期脱产、彻底放弃已经积累多年的行业，这些选择的切换成本很高，就不能轻飘飘地说“不行再回来嘛”。因为等你回来时，时间、钱和机会窗口可能已经变了。
所以我更愿意把决策原则理解成：可逆的决定，多用行动获取信息；不可逆的决定，先认真计算代价并保留退路。 这不是另一套玄妙的人生哲学，只是因为当经验本身不够可靠时，比“我一定判断正确”更现实的目标，是就算判断错了，也别一次输太多。
十四、上行选择权：给好运留一个能进来的地方
不过，如果所有决策都只想着别输、别出错、留退路，又可能变成一种过度防守。既然世界里确实存在随机性，那还有另一类事情值得主动去做：失败成本很低，但成功以后上行很大。
比如认真写一篇技术文章，最差可能没人看，最好可能刚好被同行看到；给开源项目提一次 PR，最差被拒，最好可能因此认识维护者，进入一个原本接触不到的社区；参加一次真正有内容的交流，大多数时候可能什么都不会发生，但偶尔认识一个人，后面的很多事情都可能跟着改变。
Taleb 经常讨论 optionality 和 convexity，也就是选择权与凸性收益的相关思想。放到个人决策里，一个很有用的理解是：在很难预测未来的时候，不要只想着猜中哪条路线，也可以多保留一些下行有限、上行很大的机会。
这不是鼓励赌博，重点恰恰是少做输不起的赌注，多做亏得起、但可能有大上行的尝试。既然你无法确定哪个成功故事真的能复制，就没必要把全部筹码押在某一个故事上。你可以让现实多给你几次反馈，也让自己多出现在一些可能发生好事的地方。
当然，机会也需要准备才能接得住。一个技术文章被同行看到，前提是你真的写出了有价值的东西；一个开源 PR 带来合作，前提是你有能力完成它。所谓给好运留入口，并不是坐在那里等机会，而是不断积累能力，同时让这些能力有机会被现实看见。
这也许是努力和运气之间最值得建立的关系：努力不能命令运气出现，但可以提高你遇到机会时的准备程度，也可以增加机会与你发生联系的次数。
十五、经验的正确用法：把故事还原成证据
所以，网上那么多上岸经验，到底应该怎么读？我觉得不需要把自己训练成一个随时准备审稿的统计学家，只需要把几个问题放在心里。
先看和自己条件接近的人，因为局部条件确实重要，但别忘了问样本有多大、谁没有出现、这是一次结果还是长期结果。再找一点失败样本，不是为了寻找另一个真理，而是降低自己对原故事的确信。能重复验证的技能，多看长期表现；低基础率、一次定胜负的竞争，对成功者的事后解释更谨慎一点。然后再看这条经验现在是优势，还是已经变成公开门槛。公开经验该学就学，但别把门槛误认为差异化。
最后，别押满。
经验是证据，不是判决。它可以帮助你更新判断，却不能替你保证结果。一个故事讲得再完整，也不代表它证明了因果；一个方法在别人身上成功，也不代表适合你的条件；一个公开指标看起来公平，不代表它还能完美区分真实能力；一个指标已经被刷烂，也不代表你可以单方面退出整个筛选体系。
尤其重要的是，一个失败结果不意味着你的判断一定错了，一个成功结果也不意味着这个人已经找到了世界运行的公式。单次结果里，能力和运气本来就纠缠在一起，真正能把它们慢慢分开的，不是更漂亮地解释那一次结果，而是增加次数、拉长时间、持续反馈和持续修正。
所以持续努力依然重要，不是因为世界承诺“只要坚持，就一定成功”，而是因为努力会慢慢提高概率，重复会让偶然性逐渐被冲淡，反馈会让下一次选择比上一次更接近现实。这可能才是坚持真正值得相信的部分。
写到最后，这篇文章真正想反对的，其实不是成功经验，而是把成功者的事后解释，当成一套可以直接复制的因果公式。
成功的时候，别急着把自己写成方法论；失败的时候，也别急着把一次结果写成判决书。别人的经验可以看，公开规则该学就学，门槛该过还是得过，只是最好始终记得：别人给你的，是一条已经发生过的时间线，不是一张保证未来有效的说明书。
真正能做的，还是根据自己的条件先往前走，在行动里取得信息，在反馈里修改判断，在重复里积累能力。运气没来的时候，继续提高下一次的概率；机会出现的时候，让自己有能力接住它。
世界不会因为你足够努力，就保证每一次都给你想要的结果。但持续的努力，至少能让能力慢慢从噪声里露出来，也让你拥有更多次把概率兑现成结果的机会。
这大概比找到一套所谓“普通人直接照抄就能上岸的方法”，实际得多。
参考资料与来源
- Abraham Wald 关于飞机脆弱性与幸存者数据的研究
- Mezulis 等关于自利性归因偏差的 Meta-analysis
- Open Science Collaboration，2015 年心理学可重复性项目
- Nassim Nicholas Taleb，《The Black Swan》及关于叙事谬误、optionality / convexity 的相关讨论
- Charles Goodhart 关于指标与目标关系的相关论述
- Michael Spence，Job Market Signaling
- Robert E. Lucas Jr. 关于政策变化与行为响应的相关研究
- 关于确定性语言与社交媒体互动、专业性感知的相关研究。
