• 前端能力和后端能力


    常常有类比说:人是有操作系统的。譬如我们需要构建自己的操作系统,我们都需要不断升级自己的操作系统 等等... ...

    我很认同这个类比。

    其实更简单一些说,人就如同一个程序,如果这个系统很烂,体验很差。那他做出来的事情,输出出来的东西,就是一团乱麻,没什么实际价值。

    其实我们每个人既是一个系统,同时我们自己又是对自己编程的程序员。

    包括我自己曾经甚至现在也是一套“很烂的系统”,但幸亏我这套系统有一个复盘和升级的功能,所以我会主动发现系统烂在哪里,自己一直在试图去改进甚至重构自己的这套系统,所以我这套系统虽然很烂,但应该还是在不断变好的。

    我也分析过很多其他“很烂的系统”。分析后,发现很烂的系统之所以很烂,无非和其他电脑程序一样,存在三个问题:

    1. 系统后端不行

    2. 系统前端不行

    3. 系统前端后端都不行

    后端能力

    先说第一点,后端不行的系统,自我“架构”就有问题,处理事情或者完成工作的时候,一件事情,数据结构设计不好,逻辑关系也设计不好,数据存储也有问题。

    总之输出,处理,输出都是乱的,没结构,没逻辑。或者说结构,逻辑,存储,归纳都是很肤浅的,无法在生产环境中使用。

    这样的人,哪怕前端再漂亮,其实做事情,也抓不住重点,无法产生大的价值,缺乏较深的判断力,洞察力,决断力,归纳能力。

    最多只能处理一些简单流程化的工作,稍稍需要动脑子的工作或创业项目,那就是一团乱麻,无法实际应用了。后端能力不行的人,怎么解决,怎么改变,我觉得首先不管你的后端能力有多差,但你得拼着命先给自己加一个新功能,就是:复盘,升级,学习的功能。

    如果你做什么事情,做得好不好,都不能复盘,都不能看到自己就是个傻逼,那你真是永远是傻逼了,无药可救。但如果你还能像我一样,知道自己是个傻逼,但好歹有个复盘,升级,学习的功能,那怎么也会越来越好一点。

    素材公社https://www.wode007.com/sites/73209.html 爱图网https://www.wode007.com/sites/73208.html

    前端能力

    一个网站或程序后端做得不错,前端不行,会有怎样的问题?用户难以操作,用起来很不舒服,甚至出现很多低级的展示性的错误。

    人也一样,前端能力不行,你脑子再好,很多东西也发挥不出价值。

    前端能力不行的人,我们假定这个人,前端能力不行,但后端能力还可以。

    前端能力其实有很多种,比如:态度,耐心,表达能力,文字能力,审美能力,沟通能力,绘画能力,编程能力等等。

    我们不一定要各个前端能力都具备,但我们至少要具备几种优质的前端能力。比如我们写东西可能不太好,但至少能把话说清楚,能沟通清楚。

    也许我们话也说不清楚,但是能耐心的通过图形,把我们的后端逻辑绘制清楚。

    总之,你总得有一个途径把你后端的能力,在前端发挥出来,这样才能发挥你后端功能的价值。

    其实个人认为前端不行的人,相对于后端不行来说,问题没那么严重,毕竟后端才是底层,底层上你有了不错的功能以后,你只需要有意识的注重培养前端能力就行,等于是在自己的程序上加几个新功能。

    系统前端后端都不行

    一般后端不行的人,前端很难行。但前端不行的朋友,其实有的后端还是清晰的。

    但一般最糟糕的系统,其实都是前端,后端都不行。那咋办呢,还是先从后端改起吧,看看能不能改。

    但其实我也不知道咋办,实话实说,有一些最烂的系统怎么重构也无法重构。

  • 相关阅读:
    论文解读(GraphBert)《GraphBert: Only Attention is Needed for Learning Graph Representations》 Learner
    论文解读(SCAGC)《Selfsupervised Contrastive Attributed Graph Clustering》 Learner
    论文解读(AGE)《Adaptive Graph Encoder for Attributed Graph Embedding》 Learner
    tqdm介绍及常用方法 Learner
    论文解读(SCGC)《SCGC : SelfSupervised Contrastive Graph Clustering》 Learner
    论文解读《Strategies for Pretraining Graph Neural Networks》 Learner
    论文解读(FDGATII)《FDGATII : Fast Dynamic Graph Attention with Initial Residual and Identity Mapping》 Learner
    论文解读(GMIM)《Deep Graph Clustering via Mutual Information Maximization and Mixture Model》 Learner
    论文解读《Bilinear Graph Neural Network with Neighbor Interactions》 Learner
    AcWing 524. 愤怒的小鸟
  • 原文地址:https://www.cnblogs.com/ypppt/p/13340584.html
Copyright © 2020-2023  润新知