对程序员来讲，什么才算是真正的编程能力？

能够在业余时间接app套壳上架的速速加我，长期合做，酬金丰厚，不容错过！Q Q 273946117

0：能够彻底理解一问题，而且给出对应的代码。

往窄了点说，这就是ACM在培养的东西。而且这不能靠调API彻底解决：有的时候，问题须要把多个标准算法串一块儿。

好比说最近有个把STLC AST从implicit sharing变成explicit sharing的任务，这靠LCA+reverse topo dependency calculation（没这步LCA的时候Scope跟着Term一块儿被Reorder了，根本作不出），最后接上Metaocaml style letlist，搞定。

有的时候，根本没有任何API，需求是从一个算法改为另外一个。好比说D*算法复杂度是O(nv^3)的，很很差，想优化下，把复杂度往降低点，这同样没有任何包能够调。

往广了说，大一点的需求也能用这种能力。既然有‘组合性’这个概念，就能倒过来，给出一个大型问题，分解成多个子问题，各个被单独解决后再组合一块儿。

名书SICP里面就很推崇这种‘理解，分解，破解’的套路，而图灵奖得主Edward Dijkstra甚至更极端，认为这方法是惟一一种编程的方法。不管这是否是惟一法，这能力都是很不可或缺的基本功。

当掌握这方法之后，会发现作的不少是在脑壳中去推敲这问题的性质，试图分解这个问题，若是能够的话调用/组合已有API/算法。。是否是很像数学？由于计算机程序在某种意义上就是Mathematical Object - Curry Howard Isomorphism/Stepwise Refinement/Program Calculation都是在说这个。而当把这套玩熟，若是喜欢，甚至能够作到正射必中：对于给定问题。

1：能在0之上加上工程方法。

有时候这套方法无论用：好比说跟其余人在已有Code Base上协做，好比说需求变动了，好比说死活分解不出来，又好比说根本不知道具体的需求，得慢慢探索。其实这问题本质是，软件实在太复杂了，一个数百万行代码的项目已经超越了人类物理意义上的理解极限 - 看都看不完。

这也是为何重头起编写一个系统很难：Spec太复杂，各个组件的Assumption太多，而且持续进化，不可能一口气搞定，就算给定各个预先写好的组件，也会由于Assumption不Match而难以组合在一块儿，只能经过不停的Prototype，不停的重构，甚至不停的重写来加深对系统的理解。

在这之上，SICP的‘一次性理解法’已经失效，这时候就须要不精确，比起逻辑学更像生物学的技巧 - 软件工程了。

该怎么设计？该怎么重构？啥时候不重构而是顶着debt继续往前（否则会无限重构作不出东西来）？该用啥技术？在各类tradeoff间如何选择？再加上Debugger/Unit Test/CI/Git/Integration test这些Tool。

2：对整个计算机Stack有认识，能把各类技能混着耍

好比，学过计算机体系结构，明白Dennard Scaling死掉后单线程已经上不去，GPU等Massively Parallel Architecture是将来，而后给Neural network迁移上GPU（Deep Learning）。

而后，会Deep learning，发现给出的答案不必定是对的，可是能够当Heuristic/Hint，给传统方法加速（Alphago的MCTS（AI），Learn Indexed Structure中预测结果存在那（数据库），AutoTVM的快速评分（编译器），DeepCoder的下降搜索空间（Program Synthesis），Peloton的给数据库预测负载（数据库））

又或者，会FPGA，知道GPU之上还有不少优化空间，因而直接把整个Matrix Multiply Fuse成电路（TPU），又或者会Quantization，去研究怎么给Quantized NN作ASIC（Bit Fusion）。

还有，会PL，发现Deep Learning的Computation Graph其实就是个first order PL，为了加入控制流（RNN/LSTM/TreeLSTM）以Lambda Cube为基础设计一个IR，再想办法在上面作反向传播，来作Program optimization（TVM上的Relay）。

除了理解力到位，试图把未知的新工具用上已知领域，还有个更简单粗暴的用法：下降/消除低效接口带来的额外开销。

学了Memory Hierarchy之后，在用一个内存之前能够提早fetch，下降软件的Memory Access latency（Prefetching）

若是有FPGA，能够把一部分任务Schedule并Offload上硬件，提升性能（Hardware/Software Codesign）

有Task要在Docker里面跑？既然Docker都有保护了，那还凭啥要跑一个有保护模式的OS，要多个address space而且不停在Kernel/User上跑？Unikernel走起！

把这套玩到炉火纯青，还能像Midori这样，大手一挥，从新设计整个Software Stack，把里面的各类多余的抽象（Protection类型系统给了，就不须要OS上搞）整合掉。

对程序员来讲，什么才算是真正的编程能力？ 3：对不理解的CS&数学知识能在遇到的时候快速的补起来。

计算机科学实在太广太深，学习中碰到不会的东西已是很正常了，因此说能力中还有一部分是：在代码/paper中发现彻底不会的定义，如何在最短期内学习/跳过，并不影响后续理解/debug？

而这些概念不必定只有CS的，有时候还有数学，因此还要打好最低限度的数学基础，达到‘看到不认识的数学定义不会去手足失措而是能慢慢啃/推敲’。不过还好，用到的数学跟数学系的双比不深，挺喜欢的一篇paper，Partially-Static Data as Free Extension of Algebras 也就用到了Free Algebra，属于很基础的抽象代数，并没深到那去，老板给的Paper，Sampling Can Be Faster Than Optimization ，能抓出重点，搞懂Metropolis–Hastings跟MALA（Intro to Stats就会教了，很浅），而后明白主Theorem是啥，也就差很少了，毕竟CS水这么深，主次要分清，数学能抓多少就抓多少吧。。

这些就是所认为的不会随着时间而失效，也不能被体力劳动+调包取代的，真正的编程能力：

不停扩充本身的toolbox，并对本身的tool或多或少有本质上的理解。（Machine Learning/GPU Programming）

根据本身对这些工具的理解，想出新的组合法。（Deep Learning）

把本身的idea构建成一个复杂，大而全的系统，而不只仅是一个玩具。（Pytorch）

落实到一个小功能的时候，能经过计算力，经过品味，设计出一个好用的API，编写一个正确高效的实现。（Reverse Mode Automatic Differentiation）

若是要用一句话概况，猜编程能力是"对不一样复杂度的问题（领域级/系统级/问题级），采用相对应工具下降复杂度，最后击破"的能力吧。