周刊-003期

记录一下这周看到的有趣的文章、作品

软件团队的经济学：为什么大多数组织都是盲目的 (20min)

怎么衡量一个软件团队的产出？

天平的左边是开发团队的薪资、福利、工位成本等总计的支出，右边是开发团队的产品带来的收益。

比如对于B端开发内部工具的团队来说，可以计算内部工具提效了 x% ，然后再乘上内部的用户数和平均薪资，即可得到产品的预期收益。

对于C端团队而言，稍微有些变化。因为用户到收入的转化中存在多级的漏斗

比如用户会自然流失 x% ，那么做召回的功能可以让 y% 的用户回流，就可以折算到大盘增加了多少的收入

用户的留存、付费转化也是个显而易见的漏斗。多个杠杆的乘数效应带来的回报可能是巨大的。但团队必须先明确当前哪个环节对产品的提效是最容易的

但大多数开发团队评估用的不是上述这种有财务意义的指标，而是用如完成的工单数、需求吞吐量等工作量指标，或者是 NPS CSAT 这类情感指标作为评估的依据

问题在于当工作量指标、情感指标在上涨的时候，财务业绩可能在下滑，新功能让用户流失地更快、转化率更低

为什么开发团队会采用这种指标？

一部分是因为这样的指标更好进行汇报，更容易做出成果，也意味着更好操控

另一部分原因则与经济相关。2002年到2011年间，互联网泡沫破裂后，利率急剧下降，08年次贷危机之后，利率更是下了一个台阶。但在这两个时候，投资人的风险偏好偏向保守。虽然资金并不昂贵，但是由于不惜一切代价实现增长的逻辑并未深入人心，所以投资者较为谨慎，各公司的的运行仍沿袭了一部分的财务纪律

但是从 2011 到 2022 年间，发生了不同的事情：零利率政策正常化，风险偏好超量恢复，SaaS 心智模式固化为了广泛认同的投资理论。这三者的共振使得软件公司的员工数暴增，虽然路线图中的大部分都未能实现，但纸面上依然看起来很健康，收入的增长掩盖了评估标准与财务数据的偏离，并忽视了构建错误产品的成本

11年的时间并不长，但足以形成一整代产品和研发leader的职业本能，他们成长所在的大环境中是忽视了软件团队指标和财务指标的相关度的

当 2022 年随着疫情带来的加息使得资金再次昂贵之后，他们的行为并没有随之而做出调整

隐藏在资产后的债务

组织的主观认知	实际发生的积累	机制解析
Large codebase = 多年积累的价值	Maintenance burden = 持续增长的维护成本	代码不是“存量资产”，而是“需要持续偿还利息的债务”
Large engineering team = 工程能力强	Coordination overhead = 协作成本指数级增长	人越多，沟通复杂度 ~ O(n²)
Scale = 护城河	Organizational inertia = 决策迟缓	规模带来路径依赖和决策摩擦
Headcount growth = 进展	Rising costs, flat return = 成本上涨但产出不变	用“人数”替代“产出”的度量错位
Complexity = 竞争壁垒	Own teams moving slower = 自身效率下降	复杂性对内的伤害 > 对外的阻挡

很多被视为资产的项目，背后其实隐藏着非线性增长的债务。过大的代码仓库带来的是后续变更的成本上升，不找到合适的度量标准的话，团队的优先级就会跑偏

文章

我的代码有多复杂？12min

作者总结了几种衡量代码复杂度的方法

算法复杂度：大O表示法，对计算资源的占用
代码理解复杂度：
- 圈复杂度：分支数量和层数
- 霍尔斯特德复杂度：代码长度多长，变量、函数、常数、类型的数量
语言复杂度：
- MDD(Mean Dependency Distance 平均依赖距离): 变量的定义到使用之间的距离
- DLT(Dependency Locality Theory 依赖位置理论)：一段代码会引用多少函数、方法，代码有多绕

在具体实用上，除了分析复杂度，还可以参考上周的阅读代码前要先运行的-git-命令，快速分析一个项目中技术债最多的部分

认识你自己 10min

认知自我，用兴趣和能力的交集作为决策依据，而非是外部的模板

如何在使用人工智能的情况下保持理智 14min

我应该用AI解决什么问题？

这个是个够大的问题么？
  |-> 否 -> 用 AI 解决只能让你学会怎么用 AI
  |-> 是 -> 这是哪种问题？
        |-> 是探索性的 -> 用 AI 可以加深你对这个问题的认知
        |-> 是执行性的 -> 用 AI 可以将你从繁复的任务中解放出来

该怎么和AI在探索性的任务中合作？

邓宁-克鲁格效应反应了了人自认为对一个事物的了解程度

我们期望可以和AI一起成长，实际上并不能实现跳过认知曲线中的绝望谷的目标

真正的探索性的工作，应该是类似下面这样，通过反复的交互来完成的。在交互的过程中可以加深你对于这个任务的实际认知。AI起到的是加速的作用

应该使用哪些工具？

少数的几个工具就可以让绝大多数人获得足够的价值，不要被每天洗脑的宣传和 FOMO 影响

Core chatbots: Claude, ChatGPT, Gemini
AI on top of general productivity tools: Either directly embedded (e.g. Notion AI) or, increasingly, via connectors from the core chatbots
和通用的生产力工具相关联的AI产品
Domain-specific tools: e.g., Harvey for legal or Clay for sales
特定领域的工具，比如法律、销售相关的AI工具
And for anyone more technical, Agentic coding tools (Cursor, Claude Code, Codex).
有技术背景的，使用 coding agent 工具

每天宣传的工具绝大多数都是不成熟的，你是否应该使用这些工具取决于你想从中获得什么