《Great at Work》读书笔记：从努力工作到创造卓越价值

书名： Great at Work: How Top Performers Do Less, Work Better, and Achieve More
作者： Morten T. Hansen
核心主题： 高绩效不是做得更多，而是选择正确的事情、采用更有效的方法，并持续创造更大的价值。

读书目的：不只是理解作者提出了什么观点，而是将书中的方法与自己的工作、学习和实践相结合，识别当前存在的问题，形成可执行、可验证的个人改进体系。

---

一、书中所讲：高绩效者如何工作？

作者研究了约 5,000 名员工和管理者，归纳出七项与高绩效相关的工作实践。

1. Do Less, Then Obsess：少做，但做到极致

核心观点： 高绩效者并不试图完成所有事情，而是选择少数真正重要的工作，并投入足够的注意力、时间和精力。

这里的关键不只是 Do Less，更是 Obsess。

减少任务只是手段，真正的目标是让有限资源集中在最有价值的问题上，形成普通投入难以取得的成果。

值得记住的原则：

• 重要的不是完成多少任务，而是完成了多少真正重要的任务。
• 选择做什么很重要，选择不做什么同样重要。
• 聚焦不是放弃责任，而是主动进行资源配置。

2. Redesign Your Work：重新设计工作，创造更大价值

核心观点： 不要只追求把现有工作做得更快，而要思考工作本身是否应该重新设计。

作者强调从活动和产出转向真正的价值创造。

例如，一名员工每天完成十份报表，并不必然比完成两份关键分析报告创造更多价值。真正需要关注的是这些工作是否改善了决策和实际结果。

值得记住的原则：

• 效率提高不等于价值提高。
• 不要把完成任务当作最终目标。
• 工作设计应围绕最终受益者及实际价值展开。

3. Don’t Just Learn, Loop：不要只学习，要建立反馈循环

核心观点： 单纯增加经验和知识，不一定能带来持续成长。

高绩效者会将工作变成一种学习循环：

明确需要改进的技能 → 针对性练习 → 获取反馈 → 分析偏差 → 调整方法 → 再次实践。

值得记住的原则：

• 工作十年不一定意味着持续成长十年。
• 失败只有经过分析和修正，才可能转化为经验。
• 学习的成果应当体现在能力和行为的改变上。

4. P-Squared：让热情与工作意义结合

核心观点： 长期高绩效不仅依赖个人兴趣，也依赖对工作意义和贡献的认同。

Passion 是愿意长期投入的动力，Purpose 是投入所指向的价值。

两者结合，可以帮助人们建立更持久的职业动力。

5. Forceful Champions：让有价值的主张获得支持

核心观点： 好想法不一定能够自动转化成现实。

推动改变需要了解相关人员的利益、动机与担忧，通过可信证据和有效沟通争取支持。

个人能力的价值，不只取决于能否提出正确方案，也取决于能否让方案真正落地。

6. Fight and Unite：充分争论，统一行动

核心观点： 优秀团队不会刻意消除所有分歧。

在决策之前，应当充分讨论不同观点、挑战假设、检验证据；在决策之后，应当明确责任并协调行动，同时保留对重大新证据和风险的反馈机制。

建设性冲突能够改善决策质量。

7. Disciplined Collaboration：有纪律地协作

核心观点： 合作并非越多越好。

只有当合作能够解决个人无法独立解决的问题，而且其价值超过协调成本时，合作才值得开展。

高效协作需要明确目的、职责、边界和成果。

对七项方法的整体理解

这七项实践不是孤立的工作技巧，而是一个相互关联的系统。

• 选择： Do Less, Then Obsess
• 创造价值： Redesign Your Work
• 能力成长： Don’t Just Learn, Loop
• 持续动力： P-Squared
• 推动改变： Forceful Champions
• 改善决策： Fight and Unite
• 组织协作： Disciplined Collaboration

它们共同回答了一个问题：

如何在有限的时间、精力和资源下，持续提高个人能力与实际成果？

---

二、阅读收获：我对工作和成长的重新理解

收获一：忙碌不等于进步，完成任务不等于创造价值

这是本书对我最重要的启发。

过去，我容易把学习新技术、推进项目、解决问题和完成任务视为积极进展。

例如，我持续探索推荐算法、AI Agent、数据工程、软件开发和产品创业。每个方向都有学习价值，也能带来一定的成就感。

但这些投入之间存在一个值得审视的问题：

我是否把时间和注意力分散在了太多方向上，以至于每个方向都在前进，却很难形成足够深的积累？

需要区分三件事：

1. Activity（活动）： 我做了什么？
2. Output（产出）： 我交付了什么？
3. Outcome（结果）： 这些产出究竟改变了什么？

例如：

工作活动	直接产出	真正值得关注的结果
训练推荐模型	一个新模型	是否创造可验证的增量收益
开发 AI Agent	一个可运行程序	是否可靠地解决真实问题
研究开源项目	技术笔记	是否形成可复用的工程能力
开发 Side Project	一个 MVP	是否有人持续使用或愿意付费
阅读企业财报	投资分析报告	是否改善判断质量和风险管理

我的收获： 今后不能只统计自己完成了多少工作，还应该审视哪些工作真正创造了价值。

收获二：技术能力不等于解决问题的能力

我已经积累了一定的数据科学、数据工程和推荐系统实践经验。

但本书提醒我，技术能力只是解决问题的手段，而不是工作的最终目标。

例如，在推荐系统中，提升模型指标并不一定能够带来更大的商业收益。

如果推荐位置曝光不足，改善推荐算法可能不是优先级最高的事情。如果运营流程无法采用推荐结果，即使模型效果很好，实际价值也可能有限。

因此，需要把思考顺序从：

技术方案 → 功能实现 → 项目交付

调整为：

业务问题 → 价值目标 → 关键瓶颈 → 方案选择 → 实验验证 → 规模化应用

这一改变意味着，我需要从关注技术实现，进一步转向关注整个业务系统。

我的收获： 一个优秀的技术人员不仅需要知道如何实现方案，还需要判断这个方案是否值得实现。

收获三：学习的真正目标是行为和能力的改变

我有持续学习新知识和新技术的习惯。

但学习过程中，一个容易被忽视的问题是：获取更多知识，不等于具备更强的实际解决能力。

例如，在学习 AI Agent 时，阅读一个框架、了解一个新概念或成功运行一个 Demo，都只能证明完成了某个学习步骤。

要验证能力是否提升，还需要回答：

• 能否在没有教程的情况下解决相似问题？
• 能否解释失败原因？
• 能否设计可靠的测试？
• 能否在复杂场景中保持系统稳定？
• 能否将经验迁移到其他项目？

因此，我需要建立更明确的学习反馈机制。

我的收获： 学习不应止于“我理解了”，而应进一步验证“我能独立完成，而且比上一次做得更好”。

收获四：优秀成果不仅依赖个人能力，也依赖影响力

过去我比较关注技术方案的正确性和实现效果。

但实际工作中，即使技术方案可行，也可能因为业务优先级、预算、资源、部门协作等原因无法落地。

这意味着解决技术问题与推动组织改变，是两种不同的能力。

我需要进一步训练将技术结果转化为业务语言的能力。

不是只说“模型效果提升了”，而是回答：

• 它解决了什么问题？
• 能够创造多少价值？
• 有哪些证据支持？
• 实施需要什么资源？
• 有哪些风险？
• 为什么现在值得投入？

我的收获： 个人能力决定我能提出什么方案，组织影响力决定这些方案有多大机会真正产生价值。

收获五：独立判断必须与反证和复盘相结合

这项收获不仅适用于工作，也适用于产品开发和投资研究。

例如，在分析一家公司的基本面时，如果我已经形成了积极判断，就容易持续寻找支持这一判断的证据。

更好的方法是主动问：

如果我的判断是错的，什么证据最有可能揭示这个错误？

同样，在开发产品时，如果我已经投入大量时间设计 PRD，就容易继续推进开发，而不愿意重新审视用户需求是否成立。

本书关于建设性争论和学习循环的思想提醒我，应当允许事实挑战原来的判断。

我的收获： 真正的独立思考，不是坚持自己原有的观点，而是能够根据新的证据修正观点。

---

三、反思感悟：我目前可能存在的五个问题

以下是基于过往项目经历形成的自我检视假设，需要通过实际记录和复盘进一步确认，而不是直接当作已经证实的缺点。

反思一：探索范围广，但可能缺乏足够严格的优先级

我持续探索多个技术和产品方向，这有助于发现新机会和建立跨领域知识。

但广泛探索存在隐性成本：注意力切换、项目上下文恢复和长期积累不足。

需要反思的问题：

我是否经常因为一个新项目很有趣，就把时间从原本更重要的项目上转移出去？

我的改进不是放弃探索，而是明确区分：

• 核心项目：集中投入，要求产生实质成果。
• 探索项目：限制时间和预算，主要验证假设。
• 暂停项目：保留必要资料，不继续消耗资源。

反思二：有时过早追求完整方案，而不是先验证关键问题

以 Apple TV 游戏开发为例，曾经在产品设计和技术实现中同时涉及游戏逻辑、3D 素材、iPhone 摄像头连接、动作识别和设备交互。

需求本身并非不合理，但多个技术不确定性同时进入开发，会增加调试和集成难度。

更合理的方式是先找到决定项目能否成立的核心技术风险，进行最小验证。

需要反思的问题：

我是否经常在一个方案的关键可行性尚未确认时，就开始设计完整系统？

今后应当优先识别高风险假设，做到先验证、后扩展。

反思三：知识输入较多，但部分学习缺少统一的评价标准

学习 Rust、CUDA、Agent 和其他技术，能够拓展知识边界。

但不同学习活动如果都没有明确的成果标准，很难判断它们究竟带来了多少能力提升。

需要反思的问题：

最近一个月，我能否举出具体证据，证明某项技能比上个月更强？

如果只能说“我看了很多文章”或“我了解了更多框架”，可能还不足以证明能力增长。

反思四：部分项目可能更关注技术交付，而不是最终价值

在工作中，我已经积累了与业务结果直接相关的项目成果。

但面对新的个人项目，仍然需要警惕技术导向带来的偏差。

一个产品即使功能完整、架构先进、代码质量良好，如果没有解决足够重要的用户问题，其商业价值仍然可能很低。

需要反思的问题：

我是在因为某种技术值得尝试而寻找应用，还是因为一个真实问题需要解决而选择技术？

反思五：需要建立更加系统的事后复盘机制

无论是工作、产品开发还是投资研究，事前判断都可能存在错误。

真正重要的是能否保存判断依据，并在结果出现后客观比较。

例如，如果某项投资判断最终正确，也需要区分究竟是研究逻辑正确，还是外部因素恰好推动了结果。

需要反思的问题：

我是否拥有足够完整的事前记录，能够在三个月或一年之后客观评价自己的判断质量？

如果没有，就很容易出现事后合理化。

---

四、内化优化自己：建立个人高绩效工作系统

理解书中的七项方法只是起点。真正的内化，应当体现为日常工作和决策习惯的改变。

行动一：建立项目选择机制

对应方法：Do Less, Then Obsess

每个月整理所有正在推进的项目，并从五个维度进行评价：

维度	需要回答的问题
价值	成功后能创造多大实际价值？
证据	有什么事实支持这个项目值得做？
优势	我是否具备相关的能力和资源？
复利	成果未来能否重复使用或持续放大？
成本	需要投入多少时间、资金和注意力？

实施原则：

1. 每个阶段确定一个最重要的个人项目。
2. 新项目必须经过价值和成本评估才能进入主要执行计划。
3. 探索可以继续，但必须有明确的时间边界。
4. 定期停止不再具有合理价值预期的项目。

验收标准： 每个月至少形成一项完成度高、可以展示或实际使用的成果，而不是不断增加未完成项目。

行动二：所有重要项目先定义价值，再讨论技术

对应方法：Redesign Your Work

在启动新项目前，先完成一份简洁的价值定义：

项目名称：

目标用户或受益者： 谁会从中获益？

核心问题： 当前存在什么具体痛点？

价值假设： 解决问题后会产生什么改善？

核心指标： 用什么衡量改善？

关键风险： 哪个假设一旦错误，整个项目就不值得继续？

最小验证： 用什么最低成本的方式验证？

执行原则：技术方案必须服务于价值目标，而不是为了使用某种技术而制造需求。

验收标准： 每个核心项目都有可观察的成功指标和停止条件。

行动三：建立固定的学习反馈循环

对应方法：Don’t Just Learn, Loop

把学习活动从“阅读—理解”升级为：

目标 → 练习 → 测量 → 反馈 → 修正 → 再验证

例如，在 AI Agent 开发中：

1. 确定一个具体能力目标，例如多步骤任务可靠执行。
2. 构建固定测试任务集。
3. 记录每次运行的成功率、成本、耗时和错误类型。
4. 只针对最主要的问题调整设计。
5. 用同一套任务验证改进效果。

对于其他学习主题，也应采用相似原则。

验收标准： 每周至少形成一条有证据支持的能力改进记录。

行动四：训练把技术成果转化为组织决策的能力

对应方法：Forceful Champions

重要项目的汇报统一采用六个部分：

1. Problem： 解决什么实际问题？
2. Evidence： 为什么认为问题重要？
3. Solution： 有哪些可选方案？
4. Impact： 预期会产生什么价值？
5. Risk： 成本、不确定性和潜在风险是什么？
6. Decision： 希望相关人员作出什么决定？

这一结构可以应用于技术提案、业务改进、AI 应用落地和产品方案。

验收标准： 不再只评价方案是否完成，还要评价是否获得采纳、投入使用和产生实际结果。

行动五：建立反证与决策日志

对应方法：Fight and Unite

对于重要判断，记录以下内容：

• 当前结论是什么？
• 支持结论的主要证据是什么？
• 最强的反对证据是什么？
• 哪些条件出现时需要修正判断？
• 什么时候重新评估？
• 结果出现后，哪些判断正确，哪些判断错误？

尤其在投资研究和产品立项中，应将事前预测与事后结果分开记录，避免事后修改原始判断。

验收标准： 每月复盘至少一项重要决策，明确发现了什么偏差，以及下一次如何改善。

行动六：建立协作边界和交付契约

对应方法：Disciplined Collaboration

无论与同事还是 AI 编程 Agent 协作，都先明确：

• 合作要解决什么问题？
• 谁负责最终交付？
• 每个参与方的职责是什么？
• 输入、输出及接口要求是什么？
• 如何测试和验收？
• 出现问题时由谁决策？

只有协作预期创造的价值超过沟通与集成成本，才扩大协作范围。

验收标准： 复杂项目中的职责不清、重复开发和反复返工逐步减少。

行动七：明确长期能力建设方向

对应方法：P-Squared

将个人长期发展建立在三个要素的交集上：

个人兴趣 × 已有优势 × 真实价值需求

不要求每个兴趣都商业化，也不要求所有工作都成为个人使命。

但对于准备长期投入的核心方向，需要明确其成长价值和持续动力。

验收标准： 能够解释为什么值得在一个方向上持续投入一年以上，以及哪些情况会改变这一选择。

---

五、30 天实践计划：将读书收获转变为行为

时间	核心训练	具体行动	最终交付
第 1 周	战略聚焦	梳理项目，确定最重要目标，暂停低优先级工作	项目优先级清单
第 2 周	价值重构	明确目标用户、核心问题、关键指标和最小验证方案	一份价值假设与实验计划
第 3 周	反馈循环	针对一个能力短板进行重复练习与测试	一份有指标对比的训练记录
第 4 周	决策与复盘	复盘成果、识别偏差、评估继续或停止	一份月度成长报告

每周复盘五问

1. 本周最重要的一件事是什么？完成得如何？
2. 哪些活动消耗了时间，却没有创造相应价值？
3. 我在哪项能力上获得了可以验证的进步？
4. 本周有哪些原来的判断被事实修正？
5. 下周应该停止什么、继续什么、重点改善什么？

每月复盘四项指标

指标	衡量目的
核心成果完成率	是否真正完成最重要的事情
价值验证结果	工作和项目是否产生实际效果
能力改进证据	学习是否转化为技能增长
决策复盘完成率	是否建立从经验中学习的机制

这些指标并不追求形式上的高分，而是帮助识别长期变化趋势。

---

六、最终感悟：从任务执行者走向价值创造者

读完《Great at Work》，我最大的认识是：

卓越工作不是在原有工作方式上不断增加努力，而是重新思考什么值得做、应该怎样做，以及如何判断自己是否真正进步。

过去，努力可能更多表现为学习新知识、掌握新技术、开发新功能和完成更多任务。

这些努力仍然有价值，但它们不应该成为最终的评价标准。

未来，我希望建立三个更稳定的习惯。

第一，做事之前先判断价值。 不因为事情有趣、新颖或技术复杂，就自动认为它值得投入大量资源。

第二，做事过程中持续建立反馈。 不再把一次成功等同于能力掌握，也不把一次失败视为简单的时间损失，而是通过测量和复盘不断修正方法。

第三，做完之后审视真正的成果。 不只总结做了什么，更要判断创造了什么价值、积累了什么能力、哪些成果可以复用，以及还有哪些假设尚未得到验证。

我希望完成的转变是：

• 从追求任务数量，转向追求重要成果。
• 从技术驱动，转向问题与价值驱动。
• 从知识输入，转向可验证的能力成长。
• 从单独解决问题，转向有效推动成果落地。
• 从坚持已有观点，转向通过证据不断改进判断。
• 从同时推进很多方向，转向在少数重要方向形成深度积累。

给自己留下的三个长期问题

1. 如果只能保留当前工作和项目中的 20%，我会选择哪些？为什么？

这个问题帮助我识别真正重要的事情。

2. 如果不允许使用工作时长、学习时间和完成任务数量证明自己，我还能拿出哪些实际成果？

这个问题帮助我区分投入与价值。

3. 一年之后，我希望有哪些能力得到明确提升？我现在有什么证据证明自己正在接近这些目标？

这个问题帮助我把成长从抽象愿望转变为可以持续验证的过程。

一句话总结

真正的成长，不是让自己越来越忙、知道得越来越多，而是让自己越来越擅长识别重要问题、创造实际价值，并通过持续反馈不断提升能力。

这就是《Great at Work》对我最重要的启示，也是我希望长期实践的个人工作原则。

---

笔记说明：第一部分为对作者七项实践的概括；第二至六部分是结合个人经历形成的理解、反思和行动设计，并非作者原文。相关个人判断属于待验证的自我评估。