• 《高效程序猿的45个习惯》读书笔记


    《高效程序猿的45个习惯》这本书的副标题是敏捷开发修炼之道。这是一本讲敏捷的书,假设你之前未接触过敏捷。从这本书,能够了解到敏捷的核心观点。

    这里面主要讲了三方面的内容,观念,沟通,以及编码。

     

    观念

    我们首先从观念来看,提观念当然少不了敏捷宣言:

    个体和交互胜过过程和工具;

    可工作的软件胜过面面俱到的文档;

    客户的协作胜过合同谈判。

    响应变化胜过遵循计划;

     

    敏捷开发改变了整个开发流程;

    传统的瀑布模型是重设计。资深的架构设计师将设计事无巨细的做出来。然后让小兵来开发;在面对需求变更时。通常非常无力。

    敏捷反对通过设计来操纵开发。将重设计改为设计指导;

     

    沟通

    沟通是敏捷中最核心的部分,当中涉及到团队沟通、与客户的沟通。

    团队的沟通

    要努力成为团队中的一个指导者,分享你的知识。在分享知识前,你有一个准备的过程,你须要把你知道的知识有条理讲给人家听。让他人听懂,你这个准备和解说的过程对你来一种提升,之前一知半解的问题。在讲给他人听的过程,会理解透彻。

    知识分享的过程不不过通过解说的方式。文字分享也是重要的一面。这里就提到了wiki的重要性,把你的知识纳入wiki。收益的就不不过眼下的团队成员,更有未来的团队,这样你的知识得到了传承,呵,多么了不起;

    wiki写多了,也可以让你的工作变得轻松。比方同事向你请教问题时,你可以给他一个链接“看wiki去吧,这里面非常具体”,那感觉。非常棒不是?

    关于wiki的优点,之前有过具体讨论, 传送门:公司内部wiki。你建立了么?

     

    为了达到有效沟通,敏捷提出了两个有趣的会议:

    第一个是每日站会,这是敏捷中不可缺少的一个会议。就是每天15分钟出来,进行讨论,回答3个问题:

    你这一天做了什么?

    明天打算做什么?

    遇到了什么问题?

    这个站会上不是解决这个问题的场所,你仅仅是提出你所遇到的问题。解决这个问题放在会后进行。

    第二个是午餐会议。就是大伙非常任意的吃饭聊天,可由特定的一个人,分享一些书籍。当然可以是非技术领域;当然这也是一个分享的过程,可以提升团队的凝聚力。

     

    除了我们语言交流外,代码也是用来沟通的。要记住代码阅读的次数要远大于大于代码输写的字数。敏捷强调代码集体全部制,就是说,代码是大家共同全部。而不是某一个人精通某一块。

    实现代码集体全部制的方法,是採用团队任务轮换。不再是某一个人,一直在做某一个特定的小领域;这样,能保证大家对整个项目都有所了解。

    考虑到你写的代码就是给别人看的,在你会更加细致的编写并合理的加入凝视;

     

    和客户的沟通

    与客户沟通时要保证沟通工具的简洁易懂,比方我们日常使用的word和xls表格方式,不要使用过于专业的工具或术语;

    当业务上的模糊的地方时,须要由客户来做决定,倾听客户的声音。不用操心客户的决定导致项目需求的变更,敏捷就是来适应变更的;

    争取尽早的见到终于的客户,假设有条件,在每次迭代完毕之后。给用户演示一下我们的模型,这样比文字上的沟通更为直观。也更easy发现客户真正的需求。

    当客户发现这东西和他想要的不一样时,要高速的响应客户需求。尽快地把它放到下一个迭代中来。

     

    编码

    讲编码最主要是第六章所讲的内容,当中谈到的规范和技巧不不过适用敏捷。

    比方要合理的使用技术。不能过份迷恋模式。假设为了模式而模式。反倒把系统搞复杂了,就得不偿失了。

    这里提倡持续集成。频繁的集成。

    我们当天编写完代码。提交到版本号库上;系统能将这块代码集成到我们的整个系统中,然后跑单元測试用例和集成用例。完毕之后给出具体的报告;

    能够看出。实现持续集成的前提是有一个自己主动化部署的环境,能让我们在提交代码后实现自己主动化部署集成,轻松增量式编程。

    本书思维导图读书笔记:

    高效程序猿的45个习惯

    下载:(高效程序猿的45个习惯.mmap)

  • 相关阅读:
    Show, Attend and Tell: Neural Image Caption Generation with Visual Attention
    (转)Awesome GAN for Medical Imaging
    (转)Awesome Object Detection
    (转)Awesome PyTorch List
    深度学习课程笔记(十七)Meta-learning (Model Agnostic Meta Learning)
    深度学习课程笔记(十六)Recursive Neural Network
    (转)Multi-Object-Tracking-Paper-List
    深度学习课程笔记(十五)Recurrent Neural Network
    (转)Awsome Domain-Adaptation
    论文阅读:Learning Visual Question Answering by Bootstrapping Hard Attention
  • 原文地址:https://www.cnblogs.com/yfceshi/p/6873893.html
Copyright © 2020-2023  润新知