二八法则，要学会抓重点

01 幂律分布

帕累托 1896 年观察到 80% 的意大利土地归 20% 的人所有，豌豆产量也类似。Juran 在 1940 年代把它推广为通用原则，叫 "vital few, trivial many"

但二八不是巧合，背后是幂律分布：$P(X > x) ∝ x^{-α}$，城市人口、词频、地震震级、网站流量、财富、代码热点函数耗时——都是幂律的具体投影

幂律分布跟正态分布是两个世界：

• 正态世界里：平均值有意义，身高体重考分都在均值附近聚集
• 幂律世界里：头部主导一切，平均收入跟中位数能差一个数量级

幂律分布表示重要性是不均衡的，在幂律分布场景中平均用力是最差的策略

02 反二八场景

二八法则不是万能锤，判断它能不能用，问一个问题：

在这件事上，"够用"算不算成功？ 如果够用就行，可以二八不要追求完美；如果必须做到极致，要求必须不出事，那就是反二八的场景

适用场景——投入产出近似线性，且边际收益递减，做到"够用"就有大头收益：

• 找营收大客户：20% 客户带来 80% 营收，资源向他们倾斜
• 修产 bug 最多的模块：少数模块产出大部分线上故障，集中改造它收益最大
• 砍掉低 ROI 的会议 / 流程：识别那些占时间但不产价值的部分，直接去掉
• 先学高频 API：一门新语言或框架，20 个核心 API 覆盖 80% 日常使用

反二八场景——边际收益递增，或存在硬阈值，"差一点点"就等于失败：

• 软件项目的最后一公里：前 80% 功能花 20% 时间，剩下 20%（边界条件、性能、稳定性）花 80% 时间
• 运动员训练 / 乐器演奏：前 20% 让你"会"，后 80% 让你"行"，决定上限的恰恰是后 80%
• 安全 / 可靠性 / 医疗：从 99.9% 到 99.999%，每多一个 9 都需要数量级投入，省不掉
• 基本功（数学、写作、英语）：前期投入不会立刻产 80% 收益，但会持续作用于后面所有事，时间维度上反二八

一句话：二八适用于找瓶颈、砍冗余，不适用于突破上限、保下限

03 怎么识别那 20%

二八法则的核心是抓住 20% 的关键

刚学习新领域时事先并不知道哪 20%，这才是真问题

3.1 找映射

跨领域学习时，那 20% 不是别人画的"知识地图重点"，而是在旧领域已掌握知识在新领域的投影

建立已经掌握的知识体系和新领域知识的映射，对比学习，事半功倍

比如，在学习 Spark 内核时，别直接从 SparkSession.sql() 入口往下读——那是新人的路径，对带着旧领域直觉的人是浪费。从认识的算子横向切入：直接打开 SortMergeJoinExec，对照脑子里的 PG 实现，看它怎么接到 codegen 里，这种对比学习不会迷路

3.2 识别枢纽概念

新领域里高频出现、且解释别的概念时反复被引用的，几乎一定是 20%

操作上：刚开始不要急着学，先做高频词统计。翻最近 50 个 PR 的 title、最近一个月的 issue、团队内部设计文档，看哪些词反复出现。例如，Spark 里的 TreeNode、Stage、Exchange、AQE、DAGScheduler、Shuffle 一定会冒出来——它们就是那 20%

3.3 从输出反推输入

新人最容易做的事是"系统学习"——从教材第一章读到最后一章，这是最低效的路径

正确做法：找团队最近的一个具体产出（PR、perf 优化、bug fix），把它读懂。读懂它所需的全部前置知识，就是你接下来一两周的 20%。带着具体问题学不会迷路；学完直接能用，复习成本为零

3.4 把二八滚动起来

二八法则在学习场景里不是一次性应用，是滚动应用

每周问自己一次："如果下周就要出活，我现在最该搞懂的一件事是什么？"

20% 是一直在变的：第一个月是 Catalyst TreeNode + Scala 模式匹配；第二个月是 Shuffle 与 Tungsten；半年后大概率是 AQE；两年后可能是某条具体的优化器规则

• 学不会"找映射"，会迷失在新领域的术语丛林里
• 学不会"滚动"，会卡在早期阶段反复学那个 20%

04 结语

二八法则不教你"怎么努力"，它只教你"在哪里偷懒"；要做的不是少学，是更准地学