Python 全栈系列206 结构简单梳理

说明

本来是想直接做个2.0的梳理的，发现思路并不够明确；但是现在新的内容很多，形势发生了变化，不梳理也不行，所以还是做个简单的梳理，起码能明确接下来能达到的目标和近期要做的事。

内容

1 变化

前端解决了两大问题：交互式表格和在线编辑。

这两个问题的解决使得逻辑上，通过前端来驱动后端服务的最后一道障碍被扫除。通过合理的规划，可以在较短的时间内(2个月内)，将产能进行质的提升，这让我比较兴奋。

现在要做的是，基于新形势做一个动态规划，生成一个任务的新拓扑排序，从而较快、较稳的从先期的投资中产生收益。

2 需求

2.1 通用需求

很显然，端到端的服务开发是一个非常可靠的需求，目标明确，回报明显。

从资本论里描述的劳动来看，算法开发很显然是一个特殊的工种，但是既然是工种，就可以用一定的交付物来衡量。例如，客户需要解决一个问题，要将NLP进行结构化。

假设，某个算法工人接受了这项任务，那么他的产出是一个可以完成x->y的一个工具，最简单的情况可能不需要工具，而是需要一批数据对应的结果。产生一个可以不停使用的工具显然是一个更具有通用性的解决方法。（对我的微服务体系设计来说，提供服务是天然需求）

所以，如果工人之前完成这项任务所需10小时，而现在完成任务仅需5小时，那么就是一个可衡量的改进（稳）。

保证质量，缩短时间；或者是完成高质量任务，不延长时间，都是完成此类需求的标志。

2.2 带业务场景的需求

算法类的市场还处于萌芽阶段，与其等到合适的需求，不如自己提出好的需求

我发现有些事不是有没有眼光、胆量的问题，而是真的存在太大的代差，难以沟通的问题。一个显而易见的道理，理性决策人不可能去参加一个连效用和风险都无法评估的游戏。 所以当前来说，一切算法类产品的推销都是徒劳，又或者是毫无必要的。可能有些有巨大价值的产品无法说服资方，而一些毫无价值的算法却大行其道，很有趣的事，我们只能理解和接受。

但是真的没有破局之道吗？

现在成型的产业，最依赖数据的我看有两类：金融和电商。（其他可能与数据相关，但是没啥钱，我也没注意到）

其中金融又是特别理想的一种载体，很有趣。金融业中有些业务是可以100%通过数据处理完成的，例如证券交易。相比之下，电商就要复杂的多，既有数据的部分，也有实体的部分，还有物流的部分。电商是很难做好的，即便是京东，仅从推荐（算法）上就可以见一斑，所也不考虑。

在金融里面，最简单的模式就是买卖股票了，虽然大部分散户都会亏钱。

通过以往的理论和一些实践，我认为通过算法是有可能做到稳赢的。所以就很容易向机构推销吗？相反。你认为稳赢的方法，实际上是无法向其他人推销的，这里有一个悖论：

如果你能稳赢，干嘛分钱给我？

博弈上说不通。即便资本处于贪欲，而技术出于懒，产生一个临时的组合，长久下去是必然分道扬镳的。究其原因，大抵也是上面提到的，这个算法/方法是否稳赢。 毕竟复利的增长性是中学生都能算明白的。

那么就产生了一个很棒的需求，做一个稳赢的产品，用自己(100%)的钱去证明它，毕竟复利基本上能让任何小的本金变得无限大，只要你稳赢。

过去做这件事不太可能，我大约知道要做一个稳赢的产品需要的东西太多。但是现在，因为基础已经有了，搭建这样一种产品是完全可行的。

通过理论推演，回测来证明一个好的平台，然后进行风险投资获利。收益率，回撤率就是最好的指标。

3 推理

以终为始，我们来看看还需要多少依赖

假设需求1是D1, 需求2是D2

最终拥有了P1来实现D1, P2实现D2

很显然，P2是依赖P1的。

P1需要什么？

前端F1(表格), F2(代码），数据流转服务(S1), 逻辑构建方法(M1), 逻辑组织工具(T1)

现在S1、M1和T1可以认为基本是完备的，并且在不断的实践，接下来应该会演化出一个数据流转镜像(Mirror1)、一个逻辑运转镜像(Mirror2)，但是缺少了逻辑的定义部分， 这部分称为LE1(Logic Ensemble)。

FE1需要M1, F1和F2,这样就可以快熟的对待执行的逻辑链条进行增、删、改以及复用。

简单来说应该是这样的

所以很明显了，目前LE1是一个交汇点，所以注意力应该放在这里，看怎么把F1,F2和M1有效的组织起来。

• 1 确定方法论
• 2 确定表结构
• 3 定义元素
• 4 定义依赖
• 5 复用

然后才会有P1, 从P1到P2并不明显，所以中间可能需要构建1~2个P，这个应该也是基于P1或者类似P1的方法构建的，时间不会很久。