稚晖君知识体系拆解：从嵌入式到AI的工程师成长路径

如果你混过B站技术区、逛过硬件极客圈或者哪怕只是偶尔刷到过“天才少年”这类词那“稚晖君”这个名字大概率不陌生。这个把“野生钢铁侠”当标签的up主真名彭志辉从电子科技大学研究生毕业之后进了OPPO研究院做AI算法后来又通过华为“天才少年”计划加入华为从事昇腾AI芯片和机器人方向的研究。但比起这些漂亮的履历真正让技术和非技术人群都停下来琢磨的是他那些“一个人顶一个团队”的项目能把自行车改装成自动驾驶版本能拿全栈自研的思路做出一只桌面级机械臂还能用一颗MCU做出一台能跑Linux的迷你小电脑。我刚开始看他的视频时第一反应是“这人是不是有点过于全能了”。画板子、写驱动、撸模型、搞控制、做UI、剪视频几乎每一层都被他拿捏得死死的。后来反复看他的项目拆解我发现一个更值得深挖的问题这些看似“天赋溢出”的产出背后到底是一套什么样的知识体系在支撑单纯说“他聪明”或者“他是天才”其实是偷懒的解释。真正有意思的是他如何组织自己的知识、如何跨领域调用能力、如何把复杂工程拆解成能落地的步骤。这篇文章我就想从我的观察和拆解角度把稚晖君彭志辉的知识体系做一次系统性盘点重点不放在“他有多神”而是放在“这套体系里有哪些结构可以被我们普通人拿来自我训练”。1. 拆之前先立个框架他的知识体系到底长什么样1.1 先理清楚盘点对象他做过的典型项目要分析知识体系不能飘在空中谈得先锚定他做过的事。我挑几个最能代表他能力边界的项目来说第一是自动驾驶自行车。这不是给自行车装个电机完事而是真正在自行车静止状态下保持自平衡还能主动避障、识别目标、语音交互整套系统涉及传感器融合、姿态解算、运动控制、路径规划、边缘AI推理。第二是“钢铁侠”机械臂项目全称叫“Pupper”后来又演进成桌面级六轴机械臂从机械结构设计到电机驱动、从控制算法到上位机软件全部由他一个人完成外壳还是他自己3D打印的。第三是用MCU驱动显示器的迷你电脑核心是在极其受限的硬件资源里自己写显示驱动、自己移植操作系统、自己设计交互逻辑把“不可能”压缩成“麻烦一点”。第四是一些相对短平快的玩具比如自制迷你游戏机、智能台灯、带情绪识别的桌面机器人这些项目虽然体量小但五脏俱全完整地体现了他从概念到demo的快节奏闭环能力。把这些项目放一起你会发现一个规律他的项目几乎没有一个能被单一学科框住。每个项目都是“机械结构电子设计嵌入式软件上层算法产品设计”的组合。所以他的知识体系绝对不是“会写代码”那么简单而是一个以“机器人/智能硬件”为中心向外辐射到计算机、电子、机械、控制、AI多个领域的交叉网络。1.2 拆解角度硬件底层、软件中间层、算法顶层、方法论外围我给这套知识体系做了个分层结构纯属个人拆解不是他本人官方划分但拿来理解他的能力版图很好用。底层是硬件能力包括模拟/数字电路、PCB设计、单片机与嵌入式系统、电机驱动与电源设计。这是他和“纯软件工程师”拉开差距的第一道分水岭——他画板子的速度和对电路的理解基本等于一个成熟硬件工程师的水平。中间层是软件工程能力包括C/C、Python、Linux系统移植、驱动开发、RTOS、ROS机器人操作系统、前端和后端的基础开发。这层负责把底层硬件变成“能用”的系统核心是系统集成能力。顶层是AI与算法能力包括机器学习、深度学习、计算机视觉、强化学习、运动规划与控制理论。这层给硬件赋予“智能”是他很多项目中最出彩的一环。外围则是产品思维和工程素养包括项目管理、时间管理、快速原型验证、开源社区协作、文档沉淀。这层决定了知识能不能高效转化为产出。普通人如果想参考这套体系最忌讳的就是“全都要”。我先把框架立在这后面每一层我都会详细拆出关键内容包括你怎么判断自己该补哪块。2. 硬件底盘不只是焊板子电子工程与嵌入式系统的知识深度2.1 从电路设计到PCB硬件基本功怎么练很多人低估了稚晖君在硬件端的功力。他的很多项目里核心控制板都是自己设计的不是买一块现成的开发板就完事。这就涉及一整套硬件设计流程先根据需求选型芯片再画原理图接着布局布线做PCB然后打样回来焊接调试。以他自制机械臂为例关节电机需要实时、精确的电流环控制对主控的定时器资源、ADC采样率、通信接口都有要求。他选主控芯片时会考虑几个关键参数主频、Flash和RAM容量、硬件外设比如高级定时器、CAN控制器、生态成熟度。这些选型思路本质上就是嵌入式工程师的基本功。PCB设计这一层外行容易误解成“用软件把线连起来”。实际上它包含信号完整性、电源完整性、阻抗匹配、散热设计等一堆知识。对于带电机驱动的板子还要特别关注大电流回路的铺铜宽度、去耦电容布局、功率地和信号地的隔离。稚晖君在视频里展示过自己Layout的板子走线非常干净关键信号做了包地处理电机驱动部分的散热焊盘也设计得当。这不是刷几天视频就能会的而是大量项目堆出来的经验。我自己的体会是硬件设计入门有个“三段式”先抄参考设计用成熟芯片厂商的评估板原理图改出自己的板子再学会看数据手册把每个引脚的复用功能、电气特性、时序要求搞明白最后才是独立设计这需要你踩过电源纹波、信号串扰、地环路这些坑之后才算真正出师。如果你也想往这条路走我建议从STM32或者ESP32这类生态成熟的MCU开始买一块开发板、读芯片手册、画一个最小系统板走完“原理图—PCB—打样—焊接—调试”全流程比看一百个教程都管用。2.2 嵌入式开发与实时控制系统的“神经中枢”硬件板子画好之后还只是一堆元件得让代码跑在上面。稚晖君对嵌入式系统的熟悉程度从他能在受限MCU上实现复杂功能就能看出来。他做的迷你小电脑项目是典型例子。那颗MCU的资源极其紧张要在里面塞进一个微型操作系统、显示驱动、输入处理、甚至能跑图形界面就需要对底层寄存器操作、中断优先级、DMA传输、内存布局有非常深入的理解。普通开发者习惯于在Linux或者Windows上写应用层代码对底层资源没有概念但他在这种极端受限环境下的操作显示出的不只是技巧而是对计算机系统原理的“肌肉记忆”。实时控制是另一个核心能力。机械臂的每个关节都需要毫秒级甚至微秒级的响应控制循环必须在确定的时序里完成“采样—计算—输出”这个闭环。这要求嵌入式代码里使用RTOS实时操作系统或者裸机状态机并且对任务优先级做精心设计。稚晖君在机械臂项目里自己写了电机控制固件涉及FOC磁场定向控制、PID闭环、串口通信协议这些内容如果只靠应用层开发经验是做不出来的。我建议想补这块知识的人先别急着上太高级的开发板。用一个STM32F103这种白菜价MCU自己点亮LED、读按键、驱动一个直流电机做速度闭环然后把系统换成FreeRTOS试试多任务如何共享资源、如何用信号量同步。这个过程能建立“资源有限”的直觉而这种直觉恰恰是纯做上层开发的人最缺的。2.3 机械结构与机电一体化被很多人忽略的“第四维”如果说电子和软件还算是“工程师常规科目”机械设计这层就更难得了。稚晖君的很多项目都涉及自己设计机械结构机械臂的关节、自行车的转向机构、机器人的底盘都需要三维建模、材料选型、力学分析。机械结构不是“画个好看的外壳”那么简单。以机械臂为例每个关节要承受的力矩决定了电机选型和减速比结构件的刚度决定了在负载下的形变形变又会直接影响末端定位精度。所以在设计阶段就要用SolidWorks、Fusion 360这类工具做三维建模甚至做有限元分析来验证关键受力部件。稚晖君自己就能完成从结构设计到3D打印、从装配到调试的整套流程这让他不需要等别人帮他做外壳迭代速度自然快。机电一体化这个概念的精彩之处在于它把机械、电子、软件、控制整合成一个系统。任何一环出问题整个系统就动不了。比如自行车自平衡项目车体的重心位置、轮胎宽度、转向电机的响应速度、姿态传感器的噪声水平、控制算法的鲁棒性这些参数是耦合在一起的。你在机械上改一个小尺寸可能就导致整车的控制参数要重新调。我建议做智能硬件项目的人至少要掌握一种三维建模软件的基本操作不需要成为机械专业大师但要能把自己设计的小零件画出来、导出STL、送去3D打印。这个过程能让你对“尺寸公差”“装配关系”有直观认识。当你需要和机械工程师协作时你也能用同一种语言沟通。3. 软件层不能只会调API编程能力与系统集成的广度3.1 编程语言靠的不是数量而是“合适场景用合适语言”稚晖君在视频里展示过的编程语言包括C/C、Python、JavaScript/TypeScript可能还有Rust和Go但语言数量多不是重点重点是他在不同场景下的选型逻辑。底层硬件和实时控制他主要用C/C。C语言贴近硬件能直接操作寄存器和内存编译产物体积小、运行效率高。C则在C的基础上提供了面向对象、模板、标准库支持适合写复杂一点的中间件比如通信协议栈、状态机框架。做AI推理和数据处理他用Python。Python的丰富生态让他能快速验证算法、训练模型、处理数据。做上位机和Web应用他用JS/TS。比如给机械臂写可视化控制界面用Web技术栈可以快速实现跨平台交互。这种“按层选语言”的思路比“学会很多语言”更成熟。大多数嵌入式项目都有明确的分层你可以定义底层用C、算法层用Python、显示交互层用Web然后用通信协议把三层串起来。稚晖君的项目基本都采用了这种分层结构这既让每层都能用最顺手的工具又保证了系统整体的整洁。如果你也想形成自己的“语言矩阵”核心不是去刷语言教程而是找一个综合项目比如做一个桌面机器人让它在底层用C跑运动控制、在树莓派或PC上用Python跑视觉识别、再用一个网页作为控制面板。把这三个环节全部打通你自然就理解了语言在一个真实系统里的协同方式。3.2 机器人学与运动控制从几何到动力学的知识图谱机器人这个领域涉及的知识维度非常多稚晖君的知识体系里这块是他的“深水区”。拆解他的机械臂项目就能看到一整套机器人学知识图谱。首先是最基础的“正运动学”和“逆运动学”。正运动学是给定每个关节的角度算出末端执行器的位置和姿态逆运动学反过来给定末端目标位姿反解出各个关节应该转多少度。这背后是线性代数里的齐次变换矩阵、旋转矩阵、欧拉角/四元数表示。稚晖君在视频里推导过机械臂的运动学方程也非常了解数值解法比如雅可比矩阵迭代法在处理冗余机械臂时的应用。其次是动力学与控制。机械臂在运动过程中每个关节不仅承受自身重力还有惯性力、科里奥利力、摩擦力。好的控制算法要在模型之上做前馈补偿而不是单纯依赖PID反馈。稚晖君在机械臂项目里用了阻抗控制这类力控策略这需要理解惯量矩阵、刚体动力学方程还要在实际调试中处理模型误差。然后是轨迹规划。机械臂从A点到B点走什么路径中间怎么避障速度/加速度曲线怎么平滑过渡涉及三次/五次多项式插值、速度规划算法、碰撞检测。特别是在狭小空间里作业规划算法的效率和安全性直接决定系统能不能实用。我拆解这一层知识时最大的感受是它并不是“AI工程师”或者“嵌入式工程师”的必修课而是“机器人工程师”的硬核内核。如果你对这个方向感兴趣千万别被一上来就讲数学公式的书劝退。可以先用一些开源的机器人仿真环境比如CoppeliaSim做实验看机械臂在仿真器里运动再逐步推导背后的矩阵和公式让抽象符号和实际现象对应起来。3.3 AI在具体项目中的应用思路不要为了AI而AI稚晖君做AI相关功能时一个非常明显的特点是“实用主义”。他不会为了体现AI能力而在自行车上硬塞目标检测而是从具体需求出发选择最合适的算法。自行车自平衡项目里有视觉识别主要用于识别交通标志、检测障碍物他采用了轻量化的目标检测网络比如YOLO系列轻量版本通过TensorRT或者NCNN这类推理引擎部署到嵌入式设备上。这种“轻量化模型高效推理引擎”的组合在边缘设备上非常常见核心知识包括模型训练、剪枝量化、推理加速。另一类常见需求是姿态估计和位置识别他做过一个类似“视觉里程计”的功能让车知道自己大概在园区的什么位置这里就涉及特征点提取、匹配、位姿求解、回环检测这些视觉SLAM的知识。在机械臂项目里AI的应用则更多体现在“自动化操作”层面。比如让机械臂通过摄像头识别一个目标物体的位置然后抓取它。这个流程需要目标检测得到像素坐标通过相机标定得到内外参再把像素坐标转换到机械臂坐标系然后调用逆运动学解算出关节角。这里面既有传统计算机视觉的内容也有深度学习模型的部分还有机器人控制的知识。整个链路体现了他把AI和机器人结合得非常紧密。我给普通开发者的建议是做AI项目时先问三个问题数据从哪来算力够不够失败率能不能接受如果数据不好搞、算力不够、失败率又敏感那就要考虑用更简单的方案比如传统图像处理甚至在很多场景下用简单的传感器就能解决问题。稚晖君很多项目里其实用了不少非常“朴素”的手段只是这些朴素的方案在他的系统设计能力下发挥了不小的作用。4. 知识体系的“操作系统”学习方法与认知模型4.1 从信息源读什么、建什么输入端的质量决定输出上限分析一个牛人的知识体系光看他“会什么”不够还得研究他“怎么学”。从稚晖君公开过的经历里能提炼出几条明确的学习线索。最核心的一条是“以官方文档和一手资料为主”。他在b站动态里提过自己看芯片数据手册、看开源代码、读论文的习惯。遇到新领域他是那种能直接啃英文原版资料、把参考手册当小说读的人。这种方式比“搜一堆二手博客教程”高效得多因为官方资料最准确、最完整二手资料往往存在作者理解偏差和信息损耗。第二条是“建立自己的知识库而不是收藏夹吃灰”。知识管理领域有个“第二大脑”的概念核心就是不要把信息只存在“已收藏”里而是要用自己的话整理、重写、连接。稚晖君自己提到过用Wiki类工具记录技术笔记这类笔记不是简单粘贴而是包含了自己踩过的坑和验证过的结论本质上是在构建个人知识图谱。第三条是“动手验证后再纳入体系”。他很多技术认知都是先用小型demo验证过确认可行之后才记入笔记。这避免了一个常见问题看过很多理论但一动手就抓瞎。你的知识体系不是“看过哪些文章”的列表而是“亲手做过哪些事”的集合。如果让我给普通人一个可操作的建议可以按“一页纸笔记”的方式来整理新知识。读完一篇高质量文章或者弄明白一个原理后用一张纸写下核心概念、工作流程、一个实际的例子、一个没解决的问题。写下没解决的问题特别重要因为它会在未来帮你链接到相关的新知识。4.2 用项目倒逼知识结构化先有靶子再开枪稚晖君的项目复盘本身就有非常强的学习属性。他拿到一个想做的东西不是先去系统学完整个学科而是先用“项目驱动”的方式快速扫清关键障碍。比如他最早做自动驾驶自行车的时候自行车平衡控制涉及的控制理论、惯性测量单元数据处理、动力学建模正常情况下都是一门课一门课学的。但他选择了“先让车立起来”这个具体的靶子然后反推需要什么知识车倒了是因为角度估算不准那就查IMU数据融合上手卡尔曼滤波转向控制过冲那就研究PID参数整定和模型预测控制户外场景光线变化大摄像头看不清那就调整曝光并考虑用多传感器融合。这就是典型的“项目倒逼学习”模式。这种“先有靶子再开枪”的方式相比“学完全部理论再动手”的优势在于它给了知识一个牢固的“挂钩”。你学过PID但只有你在调机械臂时被振荡折磨过、再去看频域分析时才能真正理解控制器的意义。知识如果没有使用场景它就是孤立的信息有了使用场景它才会被编码成长期记忆。更厉害的是他会在项目结束后做一次“系统化补全”。项目做完了但他不会就此打住而是会把过程中学到的零散经验整理成体系式笔记并回过头补齐理论基础。这就是“项目驱动入门→理论系统化→再升级到下一个项目”的循环比盲目刷课和盲目做项目都有效。我建议你给自己定个规则每个季度只做一个有挑战的硬件/软件项目项目必须比当前能力高20%左右。别去追求“准备充分再开始”而是拆解出“最小可运行版本”在做出来的过程中边做边补。做完之后留两到三天做复盘把每个模块的知识点提炼成体系。这种方式不仅是稚晖君的路子也是很多高效工程师一致采用的成长节奏。4.3 时间管理、精力分配与“对抗拖延”的现实方案看稚晖君产出的人经常会有疑问这人哪来这么多时间做项目他也有正经工作还在大厂做研发还能保持高强度的开源项目更新。这里面肯定涉及时间管理和精力分配的技巧。从公开信息和他自己的分享来看有几个细节值得琢磨。第一是他会利用“碎片时间做碎片的事”。比如通勤路上读论文午休时间回社区消息晚上和周末集中做大块开发。很多技术的深度思考不需要整块时间关键是让大脑在“任务切换”时减少损耗。第二是他有“并行任务”的习惯一个项目在等3D打印或等PCB打样时他会写另一个项目的代码或者剪视频素材让等待期变成产出期。第三是他在做项目前会花比较多时间做顶层设计想清楚架构再动手这看似“拖延”实际是减少了后期返工的时间。对抗拖延还有一个很实用的策略叫“启动成本最小化”。每次开工时不要逼自己进入“满血状态”而是先做一个只需要五分钟的小任务比如打开工程文件、标注下一个待办事项、跑一个测试用例。一旦进入了工作流后面的事情就水到渠成。稚晖君在开发过程中几乎每一步都有可视化的中间产物比如画完板子的渲染图、打印出来的外壳照片、机械臂第一次动起来的视频。这些中间产物会形成正反馈对维持长时间的项目热情特别有效。5. 工程师思维与可复制的行动习惯5.1 系统思维从需求到落地的完整闭环稚晖君身上最值得学习的还不是某项具体技能而是“系统思维”能力。所谓系统思维就是你拿到一个看似复杂的需求时能迅速把它拆成可执行、可验证、可并行的模块同时还能保持对整体目标的掌控。以机械臂项目为例他把整个系统拆成机械结构设计、动力系统选型、底层控制固件、中间件协议、上位机软件、AI视觉模块、交互UI。每一个模块都有清晰的输入输出接口。机械结构设计决定了关节尺寸和负载能力这反过来约束电机的选型电机驱动器输出扭矩的平滑度又会影响底层控制算法的稳定性底层控制的延迟和精度最终又决定了AI视觉模块跟踪目标时的响应表现。这种“接口清晰接口间影响可控”的结构设计是系统思维的核心体现。普通人做项目最常见的坑是“point solution”式开发——先写一堆代码或者先拼一堆硬件但没有想清楚模块之间的边界和交互。结果往往是改一个部分就牵动全身最后项目越来越乱。培养系统思维最直接的方法是在项目开始前花时间画一张“模块关系图”不一定要很正式但要把数据流和控制流理清楚。你不需要一开始就画出完美架构但一定要有这个先想后做的习惯。5.2 快速原型意识小步快跑才能早点撞见问题做硬件项目最怕什么最怕你费了很大力气搭好一个精密的系统结果一上电就烧板子然后花很久排查发现是最初选型错误。稚晖君应对这种风险的方法是“快速做原型尽量把风险前置”。他每次设计完硬件往往先用手头的开发板和模块把核心控制逻辑验证一遍确认算法可行后再投入精力设计专门的PCB。机械结构也一样他先用3D打印做出原型测试装配尺寸和运动行程再决定是否换成CNC加工或更高级的材料。这种做法把“不确定性高的环节”放在前面尽早暴露问题避免在错误前提上花费过多成本。这种思路也适用于纯软件项目。当你要做一个复杂的系统时先做一个“水平切片”的垂直原型从界面到数据库、从传感器到算法先实现一条最小链路。如果最小链路能跑通再往里面扩展功能。这个最小链路不是最终产品的简单缩减而是把所有核心风险点都走了一遍是快速建立信心和识别风险的关键一步。我拆解稚晖君的项目后发现他几乎所有项目都有“第一版不一定成功”的预设他会准备plan B、plan C。比如技术方案走不通时他可能需要换一种传感器、换一个芯片、或者换一种算法框架。这种基于风险预案的工程素养正是他在复杂项目中游刃有余的重要原因。5.3 开源分享与输出倒逼输入为什么他愿意把细节全公开稚晖君做知识分享和开源项目这件事本身也是他知识体系里重要的一个模块。从表面看公开原理图、源码、设计文件是一种利他行为往深里看这还是一个“输出倒逼输入”的绝佳学习方式。当你决定把你的项目开源你得确保你的代码结构清晰、依赖关系明确你得再检查一遍之前哪些逻辑其实是“跑通但很乱”的你得写出让别人能看懂的注释和README。这些动作本质上逼着你对项目做一次全面的复盘。稚晖君每个项目都会写非常详尽的说明文档包括设计思路、关键参数、调试过程、遇到的问题和解决方案。这已经超越了“分享”的层面变成一种知识体系的自我更新机制。此外开源还带来了反馈回路。项目公开后会有网友提出奇奇怪怪的问题关于设计缺陷、安全风险、改进方向。这些问题很多是你自己站在“作者视角”完全看不见的。通过回答这些问题你能对项目有更客观的认知也能发现新的学习方向。很多工程师都有体会回答问题反而是学得最快的方式因为它强迫你在已有知识的基础上组织语言、清晰表达、推导更深层的原因。我特别建议技术学习者都尝试“输出式学习”不用等到做到稚晖君那个程度再开源从你第一个最小项目开始就可以写技术博客、录视频、发帖子把你的设计过程和代码分享出去。你不需要等“成功”才输出你可以输出“失败的过程”这本身就是很有价值的内容。输出会让你发现自己很多“好像懂了但其实没懂”的地方这就是最精准的学习地图。6. 把“稚晖君知识体系”拆完剩下的是可执行清单6.1 盘点你自己的知识地图短板才是真正的机会看完前面这些拆解如果你觉得“这也太多了我学不完”这是正常的。但我的建议恰恰是不要试图学完要从盘点自己当前的“能力地图”开始。拿出一张纸画四层硬件基础、嵌入式软件、上层算法、系统工程。在每一层里写上你当前真实会做的东西注意是“能做出来”而不是“听说过”。比如硬件层你会不会用万用表测电路能不能独立设计一块能跑的PCB嵌入式层能不能用C语言写一个带中断和定时器的固件能不能把Linux移植到一块新板子上算法层能不能用Python实现一个图像分类的完整流程能不能把模型部署到一个边缘设备上系统工程层有没有完整带过一个至少一个月的综合项目有没有维护过一份技术文档这个盘点过程往往会暴露一个残酷的事实你可能在某一层比较熟但其他层几乎是空白。这很正常因为大多数人的教育和工作经历都会把你训练成“单一角色”。真正的差异在于你是否愿意去补那些让你不舒服的短板。稚晖君的强大不是他每一层都全球顶尖而是他没有明显的短板各层之间还能顺畅协同。对普通人来说不需要每层都满分但至少要建立“跨层理解力”知道另一层的工程师在干什么、为什么会遇到那些问题。6.2 按项目边界拆分学习一年只做一件事就够了学习知识体系最忌“广撒网”。我知道很多人收藏了一大堆教程和书单但半年后依然在原地。一个更有效的策略是“以一年为周期选定一个有边界的综合项目”。比如你选择做一台“桌面级智能小车”这个项目可以同时覆盖小学到大学的所有层次车身结构机械、驱动电路电子、单片机程序嵌入式、视觉识别AI、手机遥控App软件。在一个项目里把这些环节走通你对整个体系的骨架就会有直观认知。第二年你可以再上一个台阶换成“六轴机械臂”或者“自主导航机器人”骨架不变但每个模块的要求都提升了。项目的选择标准应该是“你真切想拥有或想玩的东西”而不是“看起来很厉害的东西”。真实的兴趣会让你在遇到困难时多坚持一下这一点在长周期项目中比天赋重要得多。我见过很多因为想“复刻稚晖君项目”而开始做机械臂的人做到一半发现需要学线性代数、需要调试电机、需要写上位机就放弃了。不是因为他们能力不行而是因为“复刻”这个驱动力太弱。如果你做的是自己天天想拿来用的东西情况会完全不同。6.3 建立复盘机制让经验真正变成知识最后一个值得养成的习惯是给每个项目做复盘。很多做开源项目的人视频发完就完事了项目文件在硬盘里吃灰经验也在脑海里慢慢模糊下次遇到类似问题时又从头踩坑。稚晖君之所以能不断升级和他持续做高质量复盘关系很大。复盘不需要很复杂我的习惯是按这几个问题来问自己这个项目里最难的环节是什么卡了多久最后是怎么解决的有哪些决策后来被证明是错的当时为什么会做那个决策如果再做一遍哪些步骤可以省掉哪些步骤必须加码这个项目让我新掌握了哪些知识点和哪些旧知识产生了连接把这些答案写下来放到一个固定的地方。过了几个月当你开始做新项目时翻出这篇复盘看看你会发现自己当时的“重大突破”在现在看来稀松平常这本身就是成长的最好证明。而如果你在复盘里留下的问题后来正好被新项目解答了那种“知识终于连成网”的感觉是坚持长期主义最好的奖励。放到我自己身上来讲稚晖君知识体系让人受启发的并不在于某个具体的芯片型号或者框架用法而在于他展示了一种“完整人”的成长方式用系统的眼光看问题用项目逼自己前进用输出带动输入用复盘沉淀经验。这套东西里面没有一件是需要特殊天赋才能做到的事真正稀缺的是长期坚持的耐心和在挑战面前不退的韧性。最后分享一个小技巧你能从今天就开始做找一张纸画出一个你感兴趣的项目把它拆成“硬件、嵌入式、算法、交互”四条线然后只选其中一条线在这个周末做出一个最简陋的版本。别追求好看别追求完整先让物理世界因为你写的代码动起来。那种感觉会告诉你这套知识体系离你一点不远。