在先前的文章《運氣加上這些關鍵選擇，讓我三年薪水翻倍｜數據分析師職涯故事》中，我分享了自己如何從 Data Analyst（DA），一路拓展到 Analytics Engineer（AE）與 Data Scientist（DS）。這三年來，隨著工作內容不斷轉換，我也一步步拓展了屬於自己的技能樹。
最近，因應轉職準備，我開始學習 JavaScript（相關動機可以參考《Data Analyst 職涯規劃中的取捨：短期收入 VS 長期發展》）。
在學習的過程中，我意識到自己在最近幾年，很常處於一種「從熟悉的領域，主動延伸到新領域」的學習狀態。
這篇文章，就想來聊聊我如何看待這樣的學習方式，以及我一路以來採取的實踐策略。
一、主動切換學習主題，讓學習曲線始終保持陡峭
切換學習主題帶給我的好處是「讓我可以用相同時間，獲得最大幅度的能力增長」。
多數技能在剛開始學習時，成長幅度最大，也就是學習曲線最陡峭的時候。但當你熟練了，學習速度會逐漸趨緩，進入一種高原期。如果能在這個階段前就轉換學習目標，就能持續讓自己待在「進步最快」的階段。
這樣的做法，意味著會犧牲某些「鑽研深度」的機會。但現實是：即使你待在同一個職位、不主動學新技能，也未必就能深化專業，因為許多職位的日常任務是重複且穩定的。
我聽過一句話：「五年的經驗不等於五年成長，有可能只是把第一年的經驗重複用五次。」如果缺乏新的挑戰與學習，你實際的成長，可能也只有第一年而已。
二、專案導向學習：看得見成果，才有持續的動力
我學習新技能的起點，通常不是「我想學某個工具」，而是「我想解決某個問題」。
以我學習 Python 的經驗來說，當時的我對 Python 和 API 只有非常基礎的認識。但因為想開發一個 Slack Bot，讓團隊成員可以自動查詢資料表資訊、減少重複回覆的時間，我開始嘗試自己動手做。
這個專案變成了我學習的起點。在實作過程中，我學會了怎麼呼叫 API、處理輸入輸出、處理錯誤、設計程式結構，甚至後來還摸索了簡單的部署方式。這些都是我在做中學到的知識。
如果當時我是先去找一門線上課程來看，很可能會先學很多短期用不到的概念或語法，學習效率反而不高。相較之下，從實際問題出發，每一步學習都有明確的目標與用處，反而讓我學得更快，也更能記住。
另外，這種專案導向的學習方式還有一個很大的優點：進度是看得見的（進度可視化）。功能有沒有跑起來、回傳內容對不對、錯誤訊息是什麼，都會直接反映在結果上。這種即時的回饋不只能強化學習，也會大大提升動力。
三、學習策略也要隨情境與目標而調整
AI 工具（像是 Cursor、Windsurf）的出現，徹底改變了工程師寫程式的方式，也讓我的學習方法跟著轉變。
還記得剛開始學 Python 的時候，我的目標是「從零開始，自己寫出一個完整的專案」。那時候沒有工具能幫忙補語法，只能老實跟著課程一行行照抄、反覆練習、把邏輯背熟——有時還得靠 Stack Overflow 救場 😝。因為只有把語法記起來，才有辦法有效率地寫出能跑的程式。
但現在情況完全不同。有了 AI 的幫助，「產出程式碼」這件事可以交給工具處理，而人類的重點變成了：「看得懂 AI 產出的程式碼，並且能判斷它是不是正確的」。
因此，我的學習方式也自然跟著調整。我不再逐行照著課程打 code，而是把焦點放在理解語法與邏輯結構。
對現在的我來說，真正重要的不是記住語法，而是能夠讀懂、理解，並判斷 AI 提供的程式碼是否符合需求。
希望透過這篇文章，記錄一下我對「持續拓展技能樹」的看法，也希望對你有所幫助。
如果對於我的其他文章有興趣，歡迎前往 Data Analyst 的學習筆記 觀看更多文章～也歡迎在留言區跟我分享你的心得！
文章推薦：
