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。但这里一直有一个很麻烦的问题。

这个人到底是：

因为用了这套方法，所以成功了。

还是：

因为最后成功了，所以回头从自己做过的几百件事里，挑出了几件最像“原因”的东西。

这两个逻辑看起来只差一点。

实际上差得非常远。

所以标题那个问题，如果非要先给一个答案：

网上到底有多少“成功经验”是在事后编故事？我们没办法给出一个靠谱的比例。

但“不知道比例”，不代表这件事完全没有证据。

心理学里关于自利性归因的研究已经积累了很多年。

一个比较稳定的现象是：

人更容易把好的结果归因于自己的能力、努力和判断，把不好的结果归因于环境、运气和外部条件。

不同文化、不同人群、不同情境下强弱当然不一样。

但至少可以说明：

结果发生以后，人会重新整理原因，并不是什么互联网时代才有的小毛病。

所以真正不知道的，不是：

人会不会事后解释。

而是：

具体到你眼前这一篇，它把现实重新整理了多少？

有些人只是自己也信了。

有些故事经过平台传播以后越来越确定。

还有一些，背后确实有流量、卖课、咨询或者个人品牌的利益。

所以比“他到底有没有编”更有用的问题可能是：

这个故事为什么会被讲成现在这个样子，我又应该信多少？

缺一个对照组

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。”

怎么证明这句话？

最理想的方法，是复制一个完全一样的他。

同样的智力。同样的本科。同样的家庭条件。同样的老师。同一年的考试。

唯一改变一个变量：

让另一个他每天八点起床。最后比较结果。这才算一个相对干净的实验。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，你不能读档回去，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。

所以个人经验天然缺一个特别重要的东西：

反事实。

成功的人说：

“我从来不刷短视频，所以我成功了。”

但你不知道他天天刷短视频，是不是照样能考上。

他说：

“我大二就开始做项目，所以后来进了大厂。”

但真正起作用的到底是项目，还是学校、专业、行业周期、一次内推、一个面试官，甚至只是那一年岗位扩招？

不知道。

这些变量混在一起。

最后系统吐出来一个结果：

上岸。

然后人脑开始干一件特别擅长的事情。从几百个变量里面挑几个最顺眼的。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特别迷人的地方。

事情发生以前：

“谁知道以后会怎么样。”

事情发生以后：

“其实当时已经很明显了。”

Taleb 讲过一个很贴切的概念：

叙事谬误。

现实本来充满噪声、偶然和互相纠缠的因素。

但结果一旦发生以后，人脑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。

人生也差不多。

于是：

“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。

确定性更好卖

前面的情况还比较善良。

因为它允许一种解释：

讲故事的人没有骗你。

他自己也真的相信。

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。”

为什么这些标题永远比：

“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？

一个很现实的原因就是：

确定性更好卖。

如果一篇文章最后要卖考研课，它当然更希望让你相信：

我已经找到了真正决定上岸的关键变量。

如果一个账号要卖职业咨询，它也更喜欢告诉你：

你的问题非常明确，而且我知道解决方案。

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。

“可能。”

“视情况而定。”

“对不同人效果不一样。”

当然更接近现实。

但也确实很难做封面。

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？

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，那至少应该给他的“确定性”打一点折。

不需要懂统计学。

先看看收银台在哪里。

我们也在购买确定性

但如果只怪卖课的人和平台，其实也不太公平。

因为确定性之所以有市场，不只是因为有人愿意卖。

还因为：

我们自己也很愿意买。

人在焦虑的时候，最难受的往往不是：

“这件事很难。”

而是：

“我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。

甚至有时候，收藏一篇方法论。转发一个“上岸攻略”。做一个巨长的 Notion 计划。

本身就会制造一种很微妙的错觉：

好像我已经开始解决问题了。

但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。

某种意义上，成功经验最容易卖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。

它给你一个解释。

给你一个方向。

也给你一种“事情还在掌控里”的感觉。

所以这类内容几乎永远不会消失。

只要世界还充满不确定性，就一定有人愿意提供确定答案。

也一定有人在最焦虑的时候，希望买到它。

你看到的是幸存者

说幸存者偏差，大家最喜欢举 Abraham Wald 的轰炸机。

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 说：

不对。

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那张“红点飞机图”，也并不是 Wald 当年的原始统计图，而是后人为了讲这个故事做出来的视觉化示意。

这件事本身就很有意思。

因为我们正在用一个经过后人压缩、简化、视觉化的故事，去解释：

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很重要：

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。

“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。”

但你很少刷到另外几百个人：

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 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。

于是你最终看到的往往不是：

所有人的原始经历。

而是：

被筛选过的成功样本 + 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。

多少有点危险。

一次成功，不算复现

还有一种经验特别像机器学习里的过拟合。

一个人成功了。

样本量：

$n=1$。

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？换一年呢？换所学校呢？换个城市呢？换个行业周期呢？

如果去掉其中一个条件呢？

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左右，而且复现出来的效应量整体明显小于原研究。

这当然不是说：

“心理学不科学。”

恰恰相反。

它真正提醒的是：

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。

那一篇：

“我是怎么三个月逆袭大厂的。”

最好还是别直接当自然规律。

有些结果就是运气

讲到这里，还有一个特别容易被忽略的问题。

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。但现实没有这么干净。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。

这些东西特别难写进成功方法论。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。

所以有时候，问题并不是：

我们还没找到真正原因。

而是：

这个结果本来就包含随机成分。

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。

所以更准确的说法不是：

努力决定结果。

而是：

努力、能力和判断会改变概率，但不负责兑现每一次结果。

这句话没有“努力就会成功”那么爽。

但可能更接近现实。

所以成功以后，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：

结果不是能力的无噪声测量。

有些竞争更像彩票

而且不同类型的“经验”，随机性的占比其实完全不一样。

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？

这件事可以反复测。今天测一次。一个月以后换套题再测。三个月以后继续测。

时间拉长以后，偶然波动会慢慢被平均掉。

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。

这类竞争有一个很重要的特点：

基础成功率极低。

假设一个岗位 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提升了。

但单次结果里呢？

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。

所以：

“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。

这时候，成功者对：

“我为什么赢。”

应该尤其谨慎。

极端结果会回落

随机性还会制造一种特别容易被误认成“方法有效”的现象：

回归均值。

简单说就是：

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。他当天可能状态特别好。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。

反过来也一样。

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”里也很麻烦。

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。

而极端结果本身，往往就更容易混入大量偶然波动。

所以看到一个特别戏剧化的“前后对比”，最好多问一句：

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？

这也是为什么：

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。

真正更值得看的，还是后面能不能重复。

次数会冲淡运气

这也引出一个特别重要的问题：

怎么区分能力和运气？

很多时候，最有效的方法不是把单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，回复率。一面通过率。终面通过率。这些东西开始更有信息量。

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，那就很难全部解释成“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。

当然，现实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、不同考试、不同项目的条件并不完全一样。

所以不能机械地说：

“只要投够一百次就一定成功。”

但有一点仍然成立：

单次结果越随机，长期、重复的表现越值得看。

所以“别把一次结果看得太满”，并不只是安慰人的话。

它背后其实有很朴素的统计理由。

坚持不是重复动作

讲到这里，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，那努力到底还有什么意义？

其实随机性越大，持续努力反而越重要。

因为持续努力至少做了两件事。

第一：

它可能提高每一次尝试的成功概率。

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。

这些东西都会慢慢改变下一次尝试的胜率。

第二：

它让你拥有更多次把概率兑现出来的机会。

假设一件事单次成功率只有 10%。

做一次，大概率失败。

如果第一次没成就退出，那这 10% 根本没有多少机会表现出来。

如果成本允许，你可以重复很多次，至少好运落到你头上的机会会更多。

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。

而是应该问：

项目不够强？

岗位不匹配？

关键词没过筛？

经历表达有问题？

方向本身需求就很少？

真正有价值的持续努力，不是机械重复。

而是：

行动。

反馈。

修正。

再行动。

你不是用坚持对抗现实。

而是在不断利用现实返回的信息，修改下一次尝试。

所以努力真正的意义，也许从来不是：

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。

这和“努力一定成功”不是一回事。

但比“全靠运气”也准确得多。

身边样本更重要

讲到这里，很容易滑向另一个极端。

既然个人经验这么脏，以后不看个人了。

只看全国数据。就业率。平均薪资。考研录取率。行业报告。听起来科学多了。

但问题是：

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、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。

因为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，这里最直接的理解是：

你真正关心的不是全国平均结果，而是：

在和我比较相似的条件下，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。

所以身边样本确实有价值。

但这里还有另一个很有意思的统计学类比：

极大似然估计。

我们会相信眼前的数据

极大似然估计本来是一个很正式的参数估计方法。

简单翻成人话，大概就是：

假设我已经观察到一批结果，那我去找一个参数，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，走算法大概是一条很常见的路径。

严格来说，你当然没有真的拿纸笔做一次极大似然估计。

也不能说：

“参考身边师兄 = 极大似然估计。”

这不是一回事。

但它们的直觉确实有一点相似：

我们会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。

这也解释了为什么身边经验特别有说服力。

它不是一份抽象的全国报告。

而是你一遍遍亲眼看到：

A 师兄这么走。B 师姐这么走。C 同学最后也去了那里。

看得越多，越容易产生一种感觉：

“这大概就是我们这里最可能发生的事情。”

这种直觉本身完全合理。

问题是：

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？

如果眼前的数据本身已经被筛选过，你就可能非常认真地，对一批有偏数据做出一个看起来非常合理的判断。

比如：

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。

你认识的几个师兄，恰好就是实验室里最活跃、最愿意交流的那批人。

这时候：

“我看到的人好像都走通了。”

不一定等于：

“大多数类似条件的人都能走通。”

所以极大似然估计放在这里最有意思的地方，不是证明：

身边经验最可信。

而是提醒：

给定眼前这些数据，某个解释可能真的最像；但眼前这些数据本身是不是完整、是不是有偏，是另一个问题。

极大似然估计能告诉你：

在这些数据下面，哪个解释最像。

但它不会替你回答：

为什么你偏偏只看到了这些数据。

后一个问题，属于样本选择、基础比率和观察机制。

所以身边经验值得提高权重。

但不能直接升级成答案。

小样本很会骗人

而且即使完全没有选择偏差，还有一个更日常的问题：

样本量。

比如有人告诉你：

“我们实验室上一届 5 个人，3 个去了大厂。”

听起来：

60%。

好像不错。

但另一个实验室告诉你：

“过去五届 50 个人，30 个去了大厂。”

也是 60%。

这两个 60%，信息量完全不一样。

3/5 里面，只要多一个人或者少一个人，比例就会剧烈变化。

2/5 是 40%。

4/5 是 80%。

一个人的偶然结果，就能让整个“就业率”上下跳 20 个百分点。

但 30/50 稳定得多。

这其实是普通人参考师兄师姐时最容易忽略的问题之一：

不是有一个比例，它就自动变成可靠数据。

样本很小的时候，比例本身的波动就非常大。

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？”

很多时候不需要学复杂统计。

只要先对“小样本百分比”保持一点警惕，已经能避掉不少坑。

还要看谁没出现

小样本之外，还要看选择偏差。

假设某实验室上一届五个人，三个去了大厂。

你还得知道：

最开始是不是有十个人？

另外五个人是不是中途换方向了？

是不是找工作不顺的人最后根本没被算进去？

去年是不是恰好赶上扩招？

这个实验室是不是本来就只招基础特别好的学生？

甚至：

你之所以认识那三个师兄，是不是因为他们刚好最愿意出来分享经验？

所以更准确的说法不是：

身边经验最像我，所以一定最可信。

而是：

身边经验是你最容易拿到的局部证据；至于应该信多少，还得看样本有多大、怎么进入你的视野、哪些人又被漏掉了。

条件更接近，会提高参考价值。

小样本、选择偏差和低基础率，又会把这种可信度重新往下拉。

这些东西要一起看。

失败样本用来拆故事

这时候一个很自然的想法是：

那我去问失败的人。别只看成功样本。方向当然对。但现实没这么理想。

失败者不会因为失败，突然升级成一个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。”

“全靠关系。”

所以找失败样本真正的价值，经常不是：

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，那至少能知道：

“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。

所以我觉得这句话特别值得记住：

失败样本最重要的价值，不一定是告诉你真正答案。

很多时候，它只是帮你拆掉一个过于漂亮的成功故事。

模仿会制造拥挤

接下来还有一个更讽刺的问题。假设你已经非常聪明了。全国平均不看。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。

所以找相似的人还不是终点。

还得再问一句：

如果所有和我条件相似的人，都能看见这条经验，它还能给我多少额外优势？

到这里，问题已经从统计变成了博弈。

拥挤不是答案

一看到：“大家都开始做了。”

很多人马上会得出结论：

那这条路不能走了。

其实也不一定。

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。

所以真正应该问的，不是：

这条路卷不卷？

而是：

卷成这样以后，这条路对我还值不值得？

这两个问题差很多。

比如上一届师兄做“大模型安全 + 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：

大家都会模型测评，它可能只能保证你进入基本比较范围。

但这不意味着你应该立刻逃离这个方向。

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。有论文、开源或者行业合作积累。

那么即使这个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。

因为路径的价值从来不是一个统一数字。

它取决于条件。

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。

所以这里真正应该比较的，不是：

热门 vs 冷门。

而是：

在我的条件下，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。

换句话说，拥挤度更像一个重新定价因素。

竞争者增加了，同样一份能力能换来的稀缺性下降。

原本：

做到 60 分就很突出。

现在可能变成：

80 分才有区分度。

但只要这条路径的需求、收益和你已有的积累仍然足够高，它依然可能值得走。

所以“公开经验变成门槛”之后，真正的问题应该继续往下问：

门槛抬高以后，我的条件还适不适合这场游戏？

这其实又回到了前面讲的条件概率。

我们真正关心的从来不是：

“这个方向总体成功率是多少？”

而是：

“在已经拥挤、规则已经变化、并且考虑我现有积累的情况下，我走这条路的成功概率和预期收益，还剩多少？”

这个问题当然没办法精确算。但思维方式很重要。因为它能避免两个很常见的错误。

第一个是：

看到别人成功，就无脑复制。

第二个则正好相反：

看到大家都在做，就为了“差异化”强行逃离。

后者有时候比前者还危险。

为了不和别人一样，从自己已经有积累的方向，跳进一个所谓“蓝海”。

结果发现：

确实没人和你竞争。

因为也没什么机会。

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：

你从哪里切进去成本最低。

拥挤程度再告诉你：

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。

所以如果一定要把这一段压成一句话：

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。

真正要问的是：

重新定价以后，它对我来说，还是不是一笔值得做的交易。

指标会变成目标

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。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。

但只要规则公开，另一个问题马上出现：

大家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。

失真了还得刷

但既然大家都知道指标会失真，为什么不直接把它废了？

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。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。

但在筛选成本很高的时候，它们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满足三件事：

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。

规则也会塑造人

这里再补一个容易和古德哈特混在一起的概念：

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。

过去两个项目很稀缺。

企业发现：

有两个完整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。系统设计。

规则一变，候选人继续调整。

所以：

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。

这也是为什么很多公开经验最终会完成一次身份变化。

公开经验更像门槛

从这个角度看，很多公开经验其实不是没用。

恰恰相反。它们通常都很有用。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：

一条经验一旦足够公开，它往往就不再是优势，而开始变成基础设施。

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。

所以公开经验经常会完成一次身份变化。

最开始：

做到这个，你比别人更强。

后来：

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。

所以还有一句我觉得特别值得单独留下：

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”。

也就是说，很多公开经验最大的价值，并不是帮你“赢”。

而是：

帮你别因为连基本规则都不知道而先出局。

这也是为什么有些经验明明已经被所有人讲烂了，你还是不能完全不做。

英语重要，不是因为只有你知道英语重要。

项目重要，也不是因为只有你会做项目。

它们之所以还重要，恰恰是因为已经变成了很多场景里的默认门槛。

所以判断一条经验时，最好再多问一句：

这条经验现在是在创造优势，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。进入了什么别人还没那么拥挤的领域。几种能力怎么组合。有没有形成别人很难快速复制的路径。所以我现在更愿意把经验分成两类。

一类是：

公开经验。

它告诉你：

大家默认应该会什么。

另一类是：

局部经验。

它告诉你：

在你的学校、团队、行业和时间点里，哪些东西现在真的更有价值。

前者负责别掉队。

后者才更可能帮你找差异。

所以：

底层能力可以尽量学共识，具体路径不要完全照抄共识。

公开经验值得学。

只是别把“大家都知道”误认为：

“它还能让我领先。”

别把自己算死

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、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。

他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。路径拥挤度。条件概率。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。

所以前面这些东西真正的价值，不是帮你算出一个人生最优解。

而只是：

少一点不必要的确信。

你不需要算：

“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。

证据不够的时候，别太自信。

必须行动的时候，也别因为不确定就什么都不做。

经验只能帮你下注

既然别人的经验不能替你预测结果，那它最后还能干什么？

一个比较实际的答案是：

帮你设计下注方式。

如果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，最安全的做法通常既不是：

“完全相信。”

也不是：

“完全不做。”

而是问：

我按它试一次，失败的代价有多大？

能低成本验证的，就先验证。想转一个技术方向。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。先投一批，看反馈。想做内容。

先连续写一段时间，看自己能不能稳定产出。

但有些事情不是：

“先试试看。”

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：

“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：

可逆的决定，多试。

不可逆的决定，多留退路。

这不是另一套人生哲学。

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。

也给好运留个入口

但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。

简单说就是：

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。正好相反。

重点不是：

“多赌。”

而是：

少做输不起的赌注，多做亏得起、但可能有大上行的尝试。

它和前面“成功经验不可靠”的关系其实很直接。

因为既然你无法确定哪个故事真的能复制，那就没必要把全部筹码押在某一个故事上。

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。

最后怎么读

所以如果非要给普通人一个最低可用版本，其实不用十条。

几件事就够了。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。只是降低自己对原故事的确信。

失败样本最重要的价值，不一定是给答案，而是帮你拆故事。

然后看这件事本身能不能重复。

能重复的技能，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。

再看这条经验是：