任何一个学科都有一些基础的概念和方法，可以通过短时间内快速学习的方式掌握。

编程中对人最有用的一个基础概念就是Problem solving，在Think Python的第一章中，就直接下了一个定义：

Problem solving means the ability to formulate problems, think creatively about solutions, and express a solution clearly and accurately。

这句话看上去似乎无关痛痒，每个人都能理解，你就问了，这到底怎么用呢？

举编程中的一个练习题来说明。放心，理解这个例子无需任何编程基础，我只是用它来说明一种解决问题的思路，不会用任何术语。

上图是三朵菊花。这题是，让你设计一个函数，函数中有一个自变量n代表花瓣个数，你可以随便给n取一个数，这个函数就可以执行出一朵菊花来。

你就说，我勒个去，TM没有编程基础怎么解这道题?

岂止是你，我学完函数这一章，做这道题时尼玛我也懵逼了，我就知道怎么用一些简单的函数画直线，再让他拐一个弯儿，现在就让我直接搞一朵菊花？

后来我还是顺利解出了这道题，画出来的菊花和题图一模一样。现在说一下解题思路。

我回过头重新去理解编程中对于Problem solving的定义——

1、formulate problems

2、think about solutions

3、express a solution

首先得提出一个正确的问题，如果我的问题是如何画一朵菊花，现学的函数都不能直接画菊花，所以我这个问题就提错了。

先看看这朵菊花由哪些要素组成。

直观来看，花瓣是菊花的基本要素。意思是，只要我先画出一朵花瓣，再让它围绕圆心旋转几次，就有菊花了。那么，问题就从如何花一朵菊花变成了如何花一朵花瓣。

再看花瓣是由什么要素组成的。花瓣似乎就是两段弧边拼在一起的是吧。于是，问题从如何花一朵花瓣变成了如何画一段弧。

一段弧是怎么来的？一段弧是一个圆的一部分啊，如果我能画一个圆，那么截取一段出来不就是一段弧了么？于是，问题从如何画一段弧变成了如何画一个圆。

我刚说了，我会画直线。即便你没学编程，我相信你也能猜测到，写一个画直线的函数肯定很简单。

画了一条直线后，再拐一个弯儿，这也不难做到。

现在的问题是如何画圆，目前我会的解决方案是画直线，还能让它拐弯。于是，我还得想办法，把画圆这个问题，跟我目前掌握的解决方案衔接起来。

既然我能画直线，并让它按一定角度拐弯，那么一根直线拐弯四次不就是一个正方形吗？

诶！那如果，我让拐弯的角度变化，是不是就可以画一个五边形？六边形不是可以了吗？

于是，我便可以随意画出多边形，哈，圆不就是一个边足够多的多边形吗？于是我把边数加到足够多。

Bingo!既然圆能画，顺着刚才的思路往上推，很快就能得到一个菊花函数，问题就解决了。我用这函数画了一朵黑黑的菊花：

这个案例非常鲜明地展现了编程解决难题的思路，我总结如下:

1、分解问题对象的构成要素

2、不断分解

3、分解至现有解决方案能直接使用的层次

4、逆推回去

在使用这种解决思路前，都持有一个信念前提：

坚信一切事物都可再分。

其实这是中还原论的思想，和马斯克所推崇的第一性原理非常接近：

「第一性原理」的思考方式是用物理学的角度看待世界的方法，也就是说一层层剥开事物的表象，看到里面的本质，然后再从本质一层层往上走。

这种解决问题的思路可以迁移应用到生活的方方面面。例如如何赚到人生第一个1000万，这种问题确实有点难，但是仍可再分，比如人生的第一个500万，100万，50万，20万…直到你目前可达到的水平，然后构建一个简单的函数去解决它。

每一个逻辑层次问题解决后，它就被封装成一个组块，用于解决下一个问题。

这时，你无需在考虑这个组块内部是如何构成的。例如画菊花这道题，当我要画弧边时，我就完全不管圆是怎么画的了，直接拿圆的函数来用。

其实，人类的知识也是如此发展的，很多解决方案被封装成一个又一个组块，很多时候，你直接调用它即可，未必需要理解其原理。

很多朋友都说，学完认知学习法后，感觉收获非常大，但不知道该用在哪。我的建议很简单，找一个自己从没接过的技能或领域，动手学！对于我来说，技术领域是完全没有接触过的，所以我就从编程开始，将认知学习法的思想和方法使用起来，本文就是学习法中提到的读取-编码方法的使用案例。

为了快速熟悉开发环境，我给自己定了一个小任务，用Github+Hexo+NexT搭了一个博客，Pisces主题。顺便把之前写的文章放上去了，有分类和搜索功能，有兴趣的朋友欢迎围观（复制到浏览器打开）：