2026 年 Python 开发者路线图：学什么、按什么顺序学，以及大多数人卡在哪里

GIL 现在可以关掉，pip 把位置让给了 uv，入行的门槛也变了——但门依然敞开，而且比两年前通向更远的地方。这是一条从空文件到架构决策的路线：每个阶段学什么、怎么判断这个阶段真的过了，以及哪些工作已经由 AI 代劳。

——我在学 Python。 ——不错。你在做什么项目？ ——嗯……还在上课程。第二个月了。快学到面向对象了。

这段对话我听过上百次。每次我都想问同一个问题：代码什么时候开始写？

这不是责备——我自己就是这么开始的。我的书签里存过七份 Python 路线图。每一份都很漂亮，都有箭头。但没有一份告诉你，怎么判断某一步已经学完了。上面写着「学会面向对象」。怎么才算学会？写一个类？一百个？什么时候可以打勾？

简单说：Python 开发者路线图不是技术清单，而是掌握这些技术的顺序，其中每一步都建立在你的双手已经熟悉的东西之上。

所以我们来做一份像样的：有阶段、有检查点，也有几乎所有人都会踩的坑。大部分坑我自己都踩过，所以这不是二手经验。

这两年发生了什么变化

三年前写的路线图，今天在三处是错的。

语言不再原地踏步。 在 Python 3.14 中，GIL 可以在官方支持的配置下关闭——就是那个被大家念叨了十年、以为永远动不了的 GIL。看来在编程领域，「永远」的意思是「直到有个足够固执的人决定重写它」。而这几天发布的 3.15，把 JIT 编译器稳定下来了。

工具链换代了。 pip、venv 和 pyenv 被一个工具取代：uv。flake8、black 和 isort 被一个工具取代：ruff。如果一份路线图开头还是「先装 virtualenv」，那它已经过期了，哪怕今年才发布。

而入行确实变难了。 代码生成正好贬值了初级开发者过去练手的那部分工作：CRUD、简单测试、模板函数。三年前实习生要做一周的东西，现在模型烧壶水的工夫就完成了。GMAC 对全球六百多名招聘负责人的调查中，每三位雇主就有一位承认，正在用 AI 替代入门岗位。

我知道这读起来像什么：「谢了，我还是去做市场吧」。先别走——重要的部分在后面。

市场没有崩塌，而是位移了。「会写简单代码的人」不再稀缺。稀缺的是能看懂眼前这段代码在做什么、会在哪里出问题、出问题要付出多少代价的人。而砍掉简单任务的那同一股浪潮，也抬高了其他所有事情的天花板：两个十八岁的年轻人做出了 Cal.AI，做到一百多万次下载、年收入三千万美元，然后卖给了 MyFitnessPal。Midjourney 十一个人做出一年五亿美元。过去做产品需要一支团队和一轮融资，现在需要一个知道自己在做什么的人。

为什么活变多了，而不是变少了

这里停一下，因为这是被问得最多的问题。在调查里它通常这样出现：「AI 会取代初级开发者吗？」以及「这么多生成出来的代码怎么办？」

对软件的需求不是一块固定大小的蛋糕。 在开发昂贵的年代，大量点子过不了预算：给八个人用的内部工具、每周省两小时的系统对接、结果不确定的实验。这些都躺在「以后再说」的文件夹里。软件变便宜了，这个文件夹就开始清空。活变多了，只是每件的成本更低。

而且总得有人收拾已经堆出来的东西。 几乎完全由模型搭起来的社交网站 Moltbook，在 72 小时内泄露了一百五十万个访问令牌和数万个邮箱地址：生成代码是容易的部分，补上漏洞却没人想过。生成只要一个晚上，维护却要好几年。

每一次都是这样。 自动柜员机出现时，大家一致宣告柜员这个职业完蛋了。单个网点确实需要的人少了，大概从二十一人降到十三人。但经营一个网点变便宜了，银行于是开了多得多的网点，柜员总数反而上升了——从约五十万增加到近六十万。说句公道话：2010 年之后柜员数量确实下降了，但压垮它的不是柜员机，而是手机银行。柜员机自动化了工作的一部分，手机应用则几乎自动化了全部。

由此得出唯一值得问的问题。不是「AI 会不会取代开发者」，而是你的工作中哪一部分能被完整自动化。照着写好的需求文档写代码——会被自动化。理解系统并为结果负责——不会，因为那意味着要把责任本身自动化。

需求没有消失，它向上移动了。对刚起步的人来说这甚至是好消息：要成长的方向不是「再学一个框架」，而是理解——而理解学一次就留在身上。

级别是自主性，不是工龄

常见的误会：人们用年头数级别。「三年经验，那就是中级。」按这个逻辑，一个连着三年修同一个注册表单的人就是资深。他不是资深，他是展品。

级别是自主性的高度： 多少工作可以交给你而不用盯着。不是工龄，不是接触过多少个库，也不是简历上的行数。

你脱离初级的第一个信号：主管把一个完整功能交给你，评审时看的是思路而不是语法。至于薪水，照例最后一个知道。

为什么「去读官方文档」是给新手最糟的建议

这是每份路线图里最流行的一句话：别看视频，去读文档。听着很成熟。效果大概相当于「想学一门语言？去读词典」。

文档是参考书。它回答你已经知道怎么提的问题，而新手恰恰还不知道怎么提。这就像从没飞过就去读直升机手册：每个词都认识，拿它们做什么却不知道。

如果你曾经打开文档、把一段读了三遍还是觉得自己笨——那不是你的问题，是这类文本本来就这样。

那个「钩子」只有一种方式出现：你写了代码，它坏了，你明白为什么。从这一刻起，文档才变成金子。

所以下面整张地图都建立在一个原则上：先动手，后理论。我们的 Python 课程 就是这样设计的——62 个级别、800+ 道练习、63 套测验——讲解放在练习旁边，而不是取代练习。写完解法，点一下检查，一秒钟就知道哪里出错。AI 导师不会只说「错了」，而是解释哪里出了问题。

初级：通往第一份工作的八个阶段

每个阶段都有：学什么、判断它结束的检查点，以及那个坑。检查点比主题清单更重要——它回答的是你能不能往下走。

1. 语法与程序员的思维方式

学什么。 变量、类型、条件、循环、函数、列表、字典。就这些。基础语法两周的晚上就能装下。

完成的标志： 你能在没有提示的情况下写出 30–50 行的程序，解决一件真实的事：读取一个支出文件，按类别汇总，输出钱主要花在了哪里。

坑。 在这里卡半年——所有坑里最舒服的一个。语法很舒服：什么都能跑通，多巴胺一直在滴。我自己也上过第二门入门课，就是不肯写点自己的东西，因为课程不吓人，空文件才吓人。该往前走的信号：你知道什么是列表推导式，却从没写过超过一屏的程序。

2. 数据结构与复杂度——面试必问

别被「复杂度」这个词吓到。它背后是一个很日常的想法：如果数据量变成十倍，工作量会多多少。大学里要讲一学期，实践中一个晚上加一次实验就够了：

import time

data_list = list(range(1_000_000))
data_set = set(data_list)

start = time.perf_counter()
999_999 in data_list          # 逐个走完一百万个元素
print(time.perf_counter() - start)

start = time.perf_counter()
999_999 in data_set           # 算一次哈希，直接跳到位置
print(time.perf_counter() - start)

第二个数字会小上几千倍，而两段代码几乎一模一样。这就是「操作复杂度」——也正是面试官问你「为什么用列表而不是集合」的原因。

学什么。 列表、字典和集合在内部有什么区别，而不是语法上的区别。用日常语言说清 O(n) 和 O(1)。切片、解包。可变与不可变类型——以及为什么一个函数会突然把传进去的列表弄坏。生成器和迭代器：它们怎么省内存。上下文管理器（with）和异常处理。

完成的标志： 你能把上面那段测量的结果讲给朋友听，并且不查资料就能估出他的场景里哪种更快。

坑。 背定义而不是理解。「O(n) 是线性复杂度」只是一句话。理解是：你看到别人代码里对两个列表做嵌套循环，心里自动亮灯——数据一大这就要趴。

大多数候选人正是在这里掉链子。不是败在 LeetCode 算法上，而是败在一句朴素的「为什么用列表？」。

3. 面向对象与错误处理

学什么。 类、对象、继承、组合——用真实例子，而不是抽象的小动物。封装不是考试名词，而是「为什么这个字段最好别从外面碰」的答案。异常：什么时候捕获、什么时候不捕获，以及为什么裸的 except: 等于把 bug 藏起来不让自己看见。

完成的标志： 你把自己早先写的某个程序改写成类，并且说得出哪里变好了。如果没变好，那也是有效答案——前提是你知道为什么：面向对象不是免费的。

坑。 把面向对象当成面试词汇来背。多态、封装、抽象——四个人人会背、几乎没人真用的词。

4. 数据：文件、格式、解析

学什么。 文件、CSV、JSON、Excel。API 请求。HTML 解析。以及处理脏的、残缺的数据——因为它们永远是脏的、残缺的。

完成的标志： 你有一个脚本，能自己从网上取数据、整理干净，再存进文件或表格。

坑。 完美的教学数据。课程里的 CSV 永远整齐，现实里则是混乱的编码、三种格式的日期，还有一位天才在数字列里写了「无数据」。好消息是：一旦你能驯服这堆混乱，你已经比半个办公室更有用了——那边还在手工处理。

5. SQL——所有跟数据打交道的人的共同语言

学什么。 SELECT、JOIN、GROUP BY、索引、事务。怎么判断一条查询为什么慢，怎么读执行计划。

完成的标志： 你能不看小抄写出带两个连接和一次分组的查询，并解释这个字段为什么需要索引。

坑。 因为「我们有 ORM」就把 SQL 当成可选项。ORM 是个不错的翻译，直到你提出复杂一点的要求。然后它会心平气和地把你的「给我看这个客户的订单」翻译成「去数据库跑一千次，每个订单一次」。

你要调试的，正是它生成的东西。用 SQL。

6. Web：HTTP、API、框架

学什么。 一个请求怎么从浏览器走到服务器再回来。方法、状态码、请求头。REST API。接下来是框架——这里别猜，看市场：根据 Python Developers Survey 2025，约 44% 的 Python Web 开发者用 Django，22% 用 Flask，27% 用 FastAPI，而 FastAPI 增长最快。实用结论：Django 适合带后台的完整应用，FastAPI 适合 API，尤其是围绕 AI 的那些。

不需要同时学两个。选一个，把它推到能跑起来的应用为止——另一个以后两周就能上手。我当年老老实实想「比较一下选个更好的」，结果浪费了一个月，一行有用的代码都没写。

完成的标志： 你有一个正在运行的服务，带几个接口，能读写数据库。

坑。 不懂 HTTP 就跳进框架。那时候每个错误都变成魔法：为什么是 401、为什么是 CORS、为什么请求发出去了数据却没到。

7. 2026 年的工具链

最常被跳过的一个阶段，因为「这又不是编程」。

uv 是用 Rust 写的包与环境管理器， 一个工具顶替 pip、venv、pyenv 和 pip-tools。ruff 是用 Rust 写的检查器与格式化工具， 顶替 flake8、black 和 isort。两者都比被它们替代的东西快几十倍，配置统一放在一个 pyproject.toml 里。

学什么。 真正会用 Git，而不是三条命令。Linux 终端。Docker——因为「在我机器上是好的」不再是理由，大概从大家不再用 U 盘拷文件那会儿就不是了。

完成的标志： 你能从零搭起一个项目：uv 创建环境，依赖写在 pyproject.toml 里，ruff 在提交前就开始挑毛病，项目能打成 Docker 镜像，而 git 历史看起来像历史，而不是「fix」「fix2」「这次真的好了」。

坑。 把这些当成次要的。面试时，你对「你怎么管理依赖」的回答，比背出装饰器的定义更能说明你是什么水平。

8. 与 AI 智能体协作

一年前的路线图里没有这个阶段，而招聘启事里已经有了。

这里有一个前面任何阶段都没有的好消息：在这件事上没有人有十五年经验。一位有二十年资历的资深工程师，和你一样只跟智能体打了大约一年到一年半的交道。这是整个职业里，你与所有人同一起跑线的唯一位置。

MCP（Model Context Protocol）是让智能体访问外部工具和数据的标准： 数据库、文件、API、工单系统。没有它，智能体只知道你粘贴进对话框的内容。

学什么。 不是「提示词」——那是两年前在卖的东西，早就不算技能了。要学的是工程那一面：智能体怎么维持一次会话、为什么会丢失上下文；怎么通过 MCP 把工具交给它；怎么把工作规则写下来，省得每天早上重复解释；怎么验证它的产出而不是直接相信；在哪里设护栏，让它永远不会对生产库执行 DROP TABLE。

说到相信。2025 年夏天，一个 AI 智能体删掉了一个存有一千多家公司数据的生产数据库——尽管人类已经用大写字母禁止它碰生产环境——然后轻快地汇报说无法回滚。其实可以。也就是说，它先删了数据，然后就这件事撒了谎，像个闯了祸的实习生。区别在于，实习生通常拿不到生产环境的权限。

Python 里 AI 后端已经成为默认的技术栈：FastAPI + Pydantic + LangChain 或 LangGraph。

完成的标志： 你搭出了一套流程，智能体确实为你省下大量时间，而且你能说清哪些地方你不信任它、为什么。

坑。 变成「氛围编码者」。这种人按下「生成」然后祈祷；不行就再按一次。这样的人会被同一个对话框取代。AI 原生开发者是在指挥：理解架构、看得出生成的代码会在哪里散架、为结果负责。这样的人被雇来顶替一支团队。

这正是我们 AI Academy 的 Building with Claude Code 课程所教的：16 个级别、200+ 道练习，覆盖与智能体协作的完整循环——写需求说明、审查它的改动、用证据定位问题、把工作组织成随时可以回滚的样子。Claude Code 本身已经包含并配置好，所以你从第一级开始，而不是从装环境开始。

中级：生产环境带来的新要求

初级止于第一份录用通知。中级止于生产环境——你的代码离开你之后独自存活的地方。

类型不再是装饰。 泛型、协议、TypedDict。以及对边界的感觉：一部分错误在运行前就能抓到，另一部分只有上了真实流量才会冒头。从 Python 3.14 起，延迟注解成为语言的一部分，加引号的类型名可以退场了。

不搞形式主义的异步。 async/await 的语法人人都会，背后的原理很少有人清楚。经典错误长这样：

# 一个"异步"服务却完全卡住：阻塞式 sleep
# 会连同其他所有请求一起冻住整个事件循环
async def handler():
    time.sleep(2)

# 这样才真正把控制权交还给其他任务
async def handler():
    await asyncio.sleep(2)

一行之差，在生产环境里就是「扛住一千个连接」和「所有人排一个窗口」的区别。再加上缺失的超时和没人停止的后台任务：它们悄悄堆在内存里，直到内存耗尽。

测试。 测试金字塔和认真对待的 pytest：fixture、参数化、用替身顶替外部服务。测试不是为了找 bug，而是为了让你重构时不必害怕。追求 100% 覆盖率没有意义；知道这段代码该有多少覆盖率才是本事。

ORM 之下的数据库。 你的代码会变成什么样的 SQL。N+1 问题。索引。读懂 EXPLAIN。事务和隔离级别，至少了解基础。

这通常需要在生产环境里干上一年半到两年半。让它加快的不是阅读，而是你愿意接下的任务规模。

资深：变的不是知识量，而是任务的性质

资深工程师不是「知道更多的库」。他写的代码更少，决定这些代码长什么样的比重更大。

设计取代敲键盘。 拆分任务、划定服务边界、在微服务和单体之间做选择——靠论据而不是靠潮流。还要给一个方案定出价格和工期，并把两者解释给不看代码的人听。

性能靠测量，不靠猜。 猜瓶颈是一项团队运动：所有人都确信是数据库，结果是某人周五傍晚写的一个循环。

所以要有性能分析器、热点路径、内存占用。Python 3.15 把 Tachyon 放进了标准库——一个采样式分析器，开销低到可以贴近生产负载使用。

可靠性。 资深工程师的代码从一开始就假设会出故障：网络会断、数据库会返回错误、服务会重启。于是有了日志、指标、链路追踪、负载下的有序降级（关掉次要功能，而不是整体倒下），以及不停机的迁移。

对团队的影响。 能教会人的评审，而不是抓错别字的评审。再往后路就分叉了：带人，或者留在技术线上。

语言本身有什么新东西：3.14 和 3.15

Python 3.14 已经在用：GIL 可以在官方支持的配置下关闭；子解释器进入标准库，一个进程里可以跑多个互相独立的解释器；模板字符串让外部数据的插入更安全，而 f-string 在这里曾给注入留过口子；延迟注解摆脱了字符串形式的拐杖；调试器可以挂到正在运行的进程上。

Python 3.15 按计划在 2026 年 10 月 1 日发布，也就是眼下：JIT 趋于稳定（初步测试平均快 8–13%，但区间从变慢到快好几倍都有），惰性导入到来，Tachyon 进入标准库，UTF-8 在所有环境中成为默认编码。

现在该迁到无 GIL 的 Python 吗

free-threaded Python 是关闭了 GIL 的构建版本， 线程真正在多个核心上并行运行。在生产环境：还不到时候。关掉它是有代价的——在 Linux x86_64 上大约 9% 的开销，在 macOS ARM64 上约 6%，而内存里的对象几乎重一倍。NumPy、scikit-learn、PyArrow 和 pydantic 可以用；pandas、SciPy 和 SQLAlchemy 有保留；Matplotlib 在渲染时会把 GIL 交还回去。

还有一个容易被忽略的坑：如果进程里加载了一个不支持新模式的旧 C 扩展，Python 会悄悄把 GIL 装回去。多线程形式上开着，实际上没开，而且没人会提醒你。

工具链搬去了 Rust，这不是比喻

净效果：配置收拢进一个 pyproject.toml，启动项目就是一句 uv run，不必再围着虚拟环境做法事。

AI 现在做什么，什么仍然归你

AI 拿走的。 样板代码。函数的第一版草稿。根据描述生成测试。数据迁移。摸清一个陌生的库。正则表达式，谢天谢地。逐行解释别人的代码。

留给你的。 想清楚到底要解决什么问题。选择数据结构和架构——模型给的是它见得最多的，而不是最合适的。看出生成的代码会在什么负载下变形。验证它确实能跑，而不只是看起来能跑。出事时站出来负责。

最后这一行就是这份职业。其余都是工具，而工具每半年换一轮。

关于验证还要多说一句。Eval 素养，是指能够衡量一个模型或智能体在你这件具体任务上做得有多好： 搭一组检查、跑一遍，然后从数字上判断是变好了还是变差了。

需要多久，又能通向哪里

到第一份工作，按每天一到两小时算：六到十二个月。到中级：在真实项目里再加一年半到两年半。

但这些月份并不是在真空里熬着等一个遥远的回报：

• 第一周 —— 你写出一个真的能做点事的程序。歪歪扭扭，但是你自己的；
• 第一个月 —— 你有了一个替你省时间的脚本。我的第一个脚本替我把导出的数据分门别类放进文件夹，每天晚上省下二十分钟；
• 第三个月 —— 你把原本手工做的事自动化了，同事开始问你能不能「也给我们做一个」。很多人就是在这一刻反应过来：这就是这份工作；
• 半年 —— 你有了拿得出手的项目，也有了第一批面试。

另外，别拿自己和网上那些「两个月转行进科技行业」的人比。背后通常要么是没说出口的技术背景，要么是某个课程的广告。有工作有家庭的人走得更慢——但会走到。

关于钱。 在美国，初级 Python 开发者大约在每年 6 万到 8 万美元，中级 9 万到 13 万，资深 14 万起。数字随市场浮动，但结构到哪里都差不多。

更有意思的是另一件很少被提起的事：这份职业会跟着你搬家，而能做到这一点的职业不多。医生换个国家要重新学语言、重新考执照。律师基本要从零开始：法律体系不同，经验几乎无法迁移。开发者什么都不用重来：还是那个 Python、那些库、那样的代码评审，客户往往还是同一批。先是和另一个国家的团队开会，然后是一次出差，再然后是邀请你搬到一个你已经去过、并且有工作在等你的地方。这是最柔和的一种搬迁。

时间表也是你的。十一点开始、五点结束，在家或在另一座城市工作——对大多数开发者来说这是常态，而不是争取来的特权。任何在高峰期堵过车的人都清楚这值多少。

怎么判断可以去面试了

不是看上完了多少课程，而是看这四条。

• 你有两三个不是照着视频做出来的项目。小一点没关系，关键是它们属于你，而且里面每个决定你都能说出理由。
• 你能拿起别人的代码，说出它在做什么、会在哪里坏、你会改哪里。
• 你知道自己不知道什么。一个说「消息队列我没做过，但我明白它们是干嘛的」的初级开发者，比一个对什么都自信满满胡说的人更有分量。
• 你至少有一次把自己的东西部署出去，让别人能用上。

四条都满足？那就去。前几次面试照样会砸，而且这正常到我会说：把它算进计划里。面试是一项单独的技能，只能靠面试来练。安慰在于：一周以后，除了你自己没人记得你那场糟糕的面试——面试官那天还见了另外四个人。还有一件事只有后来才懂：坐在桌子对面的不是考官，而是一个需要把岗位填上的人。他在找一个说「可以」的理由。

这周可以做什么

如果你刚起步。 关掉教程，亲手写下第一个脚本。装上 uv，随便找一个开放 API——汇率、天气都行——做一个抓取数据并存起来的小工具。一个晚上，胜过十小时视频。

如果你是团队里的初级。 找出项目里最慢的那条 SQL 查询，用 EXPLAIN 跑一遍，找到缺失的索引，把一个完整的 pull request 交给主管。这正是把中级区分出来的那类工作。

如果你是中级。 拷一份你的服务，在无 GIL 的 Python 3.14 上跑测试。一半的 C 扩展会挂掉或把 GIL 拿回去——这很正常，你测的就是兼容性。

常见问题

从零开始成为 Python 开发者要多久？ 每天一到两小时练习，六到十二个月达到能被录用的水平。到中级还要在真实项目里再花一年半到两年半。

现在该在项目里关掉 GIL 吗？ 生产环境不要：6–9% 的开销，对象几乎重一倍，还有一些 C 扩展会悄悄把 GIL 装回去。测试和基准测试可以放心用。

要把在跑的项目从 pip 迁到 uv 吗？ 要，如果有时间从容地改造 CI。依赖安装和镜像构建会快得非常明显，但部署脚本需要重写。

是再学一个框架更快提升，还是架构？ 架构，没有悬念。今天学的框架三年后就是遗留系统；对网络、数据库和设计的理解不会过期。

初级需要 Docker 吗？ 需要。不是「我要自己写一个编排系统」那种程度，而是「构建镜像、跑起来、弄明白为什么没起来」。三条命令，外加一个有点苦涩的认识：容器猜不到你的环境变量。

英语是必需的吗？ 对这个生态来说是。所有最新的文档和讨论都发生在英语里，直接读原文才是保持领先的方式。

到哪里学这些

上面这张路线图完全可以自学：免费材料多到十辈子也看不完。出问题的只有一件事——顺序和练习。自学者正是卡在这里。

打基础，第一天就动手。 Python 课程 —— 62 个级别、800+ 道练习、63 套测验、即时判题和 AI 导师。这张地图的 1–4 阶段按顺序展开，用练习代替笔记，另外还有十四个级别的自动化内容，大多数路线图对此只字不提：Selenium 机器人、定时任务、PDF、图像、视频、图表。这是你在第一份工作之前就能拿到的实际收益。SQL 和 Web 框架是单独的课程，放在之后。

学会与智能体协作。 Building with Claude Code 来自 AI Academy —— 16 个级别、200+ 道练习，把智能体当作工作工具而非玩具，Claude Code 已包含并配置好。这就是第八阶段，几乎没有哪份路线图讲到它。

不想在编程语言之间做选择？ALL IN ONE 一次打开所有自学编程课程——今天学 Python，之后再学 SQL 和 Docker。AI Academy 的课程（包含 Claude Code）是单独的订阅。

最后一件事。路线图不是技术清单。它是你的双手学习的顺序：每个阶段都踩在练习已经磨出茧的地方。清单一分钟就能下载，顺序却必须一步步走完。

而且它不会过期。工具会归零——pip 已经输给 uv，flake8 输给 ruff，mypy 面前站着两个挑战者。但理解字典为什么比列表快、生成的代码会在哪里散架，这些会陪你走完整个职业生涯。工具归零，基础复利。

十多年来，编程一直是一部向上的电梯：你从自己所在的楼层进去，它把你带到报酬更高、工作更有意思的地方。现在这部电梯跑得更快了——一个有基础又会用 AI 的人，做的是过去需要一支团队的事。它唯一不会做的，是替你把门打开。

如果你读到了这里，耐心显然不是你的问题——而这件事需要的差不多也就是耐心。打开编辑器吧。十分钟，一个笨拙的函数：你现在觉得比你聪明的那些人，都是从这里开始的。