對程序員來講，什麼纔算是真正的編程能力？

能夠在業餘時間接app套殼上架的速速加我，長期合做，酬金豐厚，不容錯過！Q Q 273946117

0：能夠徹底理解一問題，而且給出對應的代碼。

往窄了點說，這就是ACM在培養的東西。而且這不能靠調API徹底解決：有的時候，問題須要把多個標準算法串一塊兒。

好比說最近有個把STLC AST從implicit sharing變成explicit sharing的任務，這靠LCA+reverse topo dependency calculation（沒這步LCA的時候Scope跟着Term一塊兒被Reorder了，根本作不出），最後接上Metaocaml style letlist，搞定。

有的時候，根本沒有任何API，需求是從一個算法改爲另外一個。好比說D*算法複雜度是O(nv^3)的，很很差，想優化下，把複雜度往降低點，這同樣沒有任何包能夠調。

往廣了說，大一點的需求也能用這種能力。既然有‘組合性’這個概念，就能倒過來，給出一個大型問題，分解成多個子問題，各個被單獨解決後再組合一塊兒。

名書SICP裏面就很推崇這種‘理解，分解，破解’的套路，而圖靈獎得主Edward Dijkstra甚至更極端，認爲這方法是惟一一種編程的方法。不管這是否是惟一法，這能力都是很不可或缺的基本功。

當掌握這方法之後，會發現作的不少是在腦殼中去推敲這問題的性質，試圖分解這個問題，若是能夠的話調用/組合已有API/算法。。是否是很像數學？由於計算機程序在某種意義上就是Mathematical Object - Curry Howard Isomorphism/Stepwise Refinement/Program Calculation都是在說這個。而當把這套玩熟，若是喜歡，甚至能夠作到正射必中：對於給定問題。

1：能在0之上加上工程方法。

有時候這套方法無論用：好比說跟其餘人在已有Code Base上協做，好比說需求變動了，好比說死活分解不出來，又好比說根本不知道具體的需求，得慢慢探索。其實這問題本質是，軟件實在太複雜了，一個數百萬行代碼的項目已經超越了人類物理意義上的理解極限 - 看都看不完。

這也是爲何重頭起編寫一個系統很難：Spec太複雜，各個組件的Assumption太多，而且持續進化，不可能一口氣搞定，就算給定各個預先寫好的組件，也會由於Assumption不Match而難以組合在一塊兒，只能經過不停的Prototype，不停的重構，甚至不停的重寫來加深對系統的理解。

在這之上，SICP的‘一次性理解法’已經失效，這時候就須要不精確，比起邏輯學更像生物學的技巧 - 軟件工程了。

該怎麼設計？該怎麼重構？啥時候不重構而是頂着debt繼續往前（否則會無限重構作不出東西來）？該用啥技術？在各類tradeoff間如何選擇？再加上Debugger/Unit Test/CI/Git/Integration test這些Tool。

2：對整個計算機Stack有認識，能把各類技能混着耍

好比，學過計算機體系結構，明白Dennard Scaling死掉後單線程已經上不去，GPU等Massively Parallel Architecture是將來，而後給Neural network遷移上GPU（Deep Learning）。

而後，會Deep learning，發現給出的答案不必定是對的，可是能夠當Heuristic/Hint，給傳統方法加速（Alphago的MCTS（AI），Learn Indexed Structure中預測結果存在那（數據庫），AutoTVM的快速評分（編譯器），DeepCoder的下降搜索空間（Program Synthesis），Peloton的給數據庫預測負載（數據庫））

又或者，會FPGA，知道GPU之上還有不少優化空間，因而直接把整個Matrix Multiply Fuse成電路（TPU），又或者會Quantization，去研究怎麼給Quantized NN作ASIC（Bit Fusion）。

還有，會PL，發現Deep Learning的Computation Graph其實就是個first order PL，爲了加入控制流（RNN/LSTM/TreeLSTM）以Lambda Cube爲基礎設計一個IR，再想辦法在上面作反向傳播，來作Program optimization（TVM上的Relay）。

除了理解力到位，試圖把未知的新工具用上已知領域，還有個更簡單粗暴的用法：下降/消除低效接口帶來的額外開銷。

學了Memory Hierarchy之後，在用一個內存之前能夠提早fetch，下降軟件的Memory Access latency（Prefetching）

若是有FPGA，能夠把一部分任務Schedule並Offload上硬件，提升性能（Hardware/Software Codesign）

有Task要在Docker裏面跑？既然Docker都有保護了，那還憑啥要跑一個有保護模式的OS，要多個address space而且不停在Kernel/User上跑？Unikernel走起！

把這套玩到爐火純青，還能像Midori這樣，大手一揮，從新設計整個Software Stack，把裏面的各類多餘的抽象（Protection類型系統給了，就不須要OS上搞）整合掉。

對程序員來講，什麼纔算是真正的編程能力？ 3：對不理解的CS&數學知識能在遇到的時候快速的補起來。

計算機科學實在太廣太深，學習中碰到不會的東西已是很正常了，因此說能力中還有一部分是：在代碼/paper中發現徹底不會的定義，如何在最短期內學習/跳過，並不影響後續理解/debug？

而這些概念不必定只有CS的，有時候還有數學，因此還要打好最低限度的數學基礎，達到‘看到不認識的數學定義不會去手足失措而是能慢慢啃/推敲’。不過還好，用到的數學跟數學系的雙比不深，挺喜歡的一篇paper，Partially-Static Data as Free Extension of Algebras 也就用到了Free Algebra，屬於很基礎的抽象代數，並沒深到那去，老闆給的Paper，Sampling Can Be Faster Than Optimization ，能抓出重點，搞懂Metropolis–Hastings跟MALA（Intro to Stats就會教了，很淺），而後明白主Theorem是啥，也就差很少了，畢竟CS水這麼深，主次要分清，數學能抓多少就抓多少吧。。

這些就是所認爲的不會隨着時間而失效，也不能被體力勞動+調包取代的，真正的編程能力：

不停擴充本身的toolbox，並對本身的tool或多或少有本質上的理解。（Machine Learning/GPU Programming）

根據本身對這些工具的理解，想出新的組合法。（Deep Learning）

把本身的idea構建成一個複雜，大而全的系統，而不只僅是一個玩具。（Pytorch）

落實到一個小功能的時候，能經過計算力，經過品味，設計出一個好用的API，編寫一個正確高效的實現。（Reverse Mode Automatic Differentiation）

若是要用一句話概況，猜編程能力是"對不一樣複雜度的問題（領域級/系統級/問題級），採用相對應工具下降複雜度，最後擊破"的能力吧。