我前几年有过一段焦虑期。
每年都在学新东西。2019 年学 Hadoop 全家桶，2021 年学 Spark 调优，2023 年开始学 dbt 和 lakehouse，去年开始学 LangChain，今年 LangChain 又落伍了，正在学 MCP 和 Agent 编排。
每学一个，我都觉得自己进步了。简历上多一个关键词、面试时多一个谈资、跟同行聊天时多一个"我也用过"。
直到有一天我跟一个十几年前的同事吃饭，他这些年没怎么折腾新工具，主要做数据建模和业务咨询。聊到一半我突然意识到——他的判断力和洞察力，明显比我深厚。我学了那么多新工具，他几乎没学，但讨论真问题的时候，他的话比我的话更有分量。
那顿饭吃完我回家想了很久。然后想明白一件让我有点难堪的事：这些年我以为自己在学新东西，其实大部分时间只是在换皮。
"工具瘾"是什么
工具瘾是数据人这一行的常见病。症状大概是这样：
- 看到大厂出新工具，第一反应是"我得学一下"
- 学完之后简历上多一个词条，但实际工作里很少深用
- 半年后这个工具被新工具替代，于是再学一轮
- 每年回头看自己的笔记本，全是各种 quickstart 和入门教程
更隐蔽的一种工具瘾，叫 "学习焦虑型工具瘾"：你不一定真的需要这个工具，但不学就觉得自己掉队了。于是周末刷视频、买课、读文档，看起来很努力，实际上是在用"学习的姿态"对冲焦虑。
工具瘾最可怕的地方，是它给人一种在进步的错觉。你确实在学东西、确实在花时间、确实在变得"会更多东西"——但那些"更多"加起来，并没有让你的判断力或者洞察力变深一寸。
我后来给自己定了一个粗暴的检验标准——如果一个新工具学完，我对"这个领域怎么思考"没有任何新认识，那它就是换皮。换皮可能省了一点工程时间，但不让我变成更值钱的人。
几种典型的工具瘾患者
身边的样本不少，大致能分成下面 4 种：
第一种，"全家桶收集者"。这类人简历上工具关键词最多——Hadoop、Spark、Flink、Kafka、dbt、Airflow、Iceberg、Delta、Snowflake……每个都用过。但你跟他聊数据建模的本质、聊一个口径为什么会乱，他答不上。他的能力是工具的并集，不是判断的累积。
第二种，"新工具发烧友"。每周都在 Hacker News 上找最新的 AI infra 项目。LangChain 出来追 LangChain，AutoGen 出来追 AutoGen，CrewAI 出来追 CrewAI，MCP 出来追 MCP。每个都试过、每个都没真正深用。他的能力随风走，从未在哪一处扎根。
第三种，"认证收集者"。AWS、Azure、Cloudera、Databricks、Snowflake——所有云厂商和数仓厂商的认证都考过。简历上"认证"那一栏比技能那一栏还长。这类人把"被官方认证"当成了"被市场认可"，但市场从来不是 by certification 评估你。
第四种，"教程下载狂魔"。买课、订阅、收藏从未停止。Udemy、Coursera、极客时间、得到。文件夹里教程比能跑的代码多。学习变成了消费，不再是投入。
我自己年轻的时候这四种都沾过。不是说这些人不努力，恰恰相反——他们都很努力，只是把努力放错了地方。
为什么会陷进去
我想了一阵，工具瘾背后大概有三个心理动机。
第一个，逃避"难"的东西。数据建模、因果推断、业务判断——这些东西没有 quickstart 教程，没有"7 天速成"，学起来又慢又痛。学新工具相对来说简单——读完官方文档跟着做一遍 demo，半天就有"我会了"的成就感。学新工具是用确定性的小成就掩盖不愿意面对的大不确定性。
第二个，简历主义。招聘 JD 上写着 Spark、写着 Flink、写着 LangChain，你看到了就害怕——"我没写过这个，是不是会被淘汰？" 于是赶紧学一下，简历上写一行。但实际上 JD 上的关键词只是过滤器，真正的面试问的是你的判断力。简历用工具刷过了，面试还是要靠真本事。
第三个，社交需求。数据圈聚会、开源社区、技术大会——大家聊的都是新工具。如果你不学新的，会有种"插不上话"的边缘感。于是你学新工具不是为了用，是为了"能聊"。
这三个心理动机都不是坏事——人都需要确定性、需要安全感、需要归属感。问题是它们让你把时间花在了"看起来在进步"上，而不是"真的在进步"上。
AI 时代，工具瘾的代价更大
如果说五年前工具瘾还算"白白浪费时间"，那么在 AI 时代——它会让你死得更快。
原因很简单：AI 让"工具"这件事的相对价值在崩塌。
举几个具体的：
- 你五年前花 3 个月练 Spark 调优，现在 AI Copilot 能直接给你建议
- 你两年前花一周学 LangChain，今年 LangChain 已经是被 fade 的框架
- 你去年花一个月研究某个具体 RAG 的实现细节，今年新出的 RAG 工具几乎免去了所有手写
工具的"熟练度"在贬值得越来越快。你能记住的所有工具技巧，AI 都能记住。你花在熟练度上的每一小时，五年后能给你带来的回报正在以肉眼可见的速度下降。
那真正在升值的是什么？
是那些AI 还做不好的东西——业务判断、跨部门协作、把模糊问题翻译成具体方案、看穿一份不靠谱报告里的水分、知道什么数据该信什么不该信。
这些东西的共同点是——它们没有教程。它们需要你在真实业务里摔打、需要长时间的不确定性中训练、需要你接受"这事没有标准答案"的事实。
工具瘾的本质，就是逃避这种不确定性。它让你用大量"快"的小学习，去躲那个真正"慢"但增值的大学习。
怎么戒
我后来给自己定了几条规则，分享出来供你参考。
第一，每次想学一个新工具之前，先问自己：这个工具帮我解决了一个什么真实问题？ 如果答不上来，就先别学。"行业都在用"不是理由，"听起来很酷"不是理由，"简历上要写"也不是理由——真实的业务痛点才是理由。
第二，每年至少投一个季度的时间在"无工具学习"上。读经典书（Kimball 的数仓、Pearl 的因果、Ramaswamy 的产品）、写思考性文章、做不依赖代码的纯分析——这些事看起来"没产出"，但它们才是给你长期复利的部分。
第三，对新工具保持"晚一年"的距离感。一个新工具刚出来时是 hype 最高的时候，半年后才能看清它的真实位置。让别人帮你试错，等一个工具被验证过之后再学，效率高得多。代价是你少了一些"早期红利"，但早期红利对绝大多数数据人来说不是关键——关键是你能不能在两年后还有竞争力。
第四，定期做"删减练习"。每隔半年看一遍自己的工具清单，问"哪些已经不再值得我投入了？"——把它们从注意力里删掉。我自己的清单里，过去三年陆续删掉的有：HBase、Storm、Pig、Sqoop、AWS 各种小众服务的具体配置技巧、某些前端可视化框架的细节。删掉它们不是放弃，是为了给真正重要的东西腾位置。
一个反例
我得说清楚一件事——不是所有工具学习都是工具瘾。
如果你正在搭一个真实的项目、需要用这个工具完成一个具体任务、学完之后会持续使用——这不是工具瘾，是正经学习。区别在于"目的"和"持续性"：为了用而学，是学习；为了学而学，是工具瘾。
我自己也一直在学新工具——比如最近在认真看 sqlite-vec 和 DuckDB。但区别是——我学这两个是因为我有具体的项目要用它们，不是因为它们在 Hacker News 上分高。
收束
如果让我给这件事做一句话的收束：工具会换皮，能力不会换皮——你应该把时间投在不会换皮的那部分。
回到开头那次饭局。那位老同事这十几年没追过什么新工具，但他持续在做一件事——一直在思考"业务的本质是什么"和"数据怎么帮人做更好的决策"。这种思考没有教程、没有快速反馈、看不到立刻的成就感，但十年下来它会复利。
我后来意识到，那个房间里真正的差距不是工具——是他比我更早开始投资那些"慢回报"的能力。
说到这里我自己一直在琢磨——如果让我重新规划一份自己的"学习时间表"，把工具瘾砍掉之后，剩下的时间到底该怎么投？ 这是我最近想画成一张表的事，有想法的朋友可以加我微信（shisuidata）一起聊。
我叫石头，在数据行业里摸爬滚打了十几年，见过太多人在错误的地方使劲。这里写的，就是这些观察——我觉得值得说出来的那部分。
拾穗数据｜https://ss-data.cc