本文节选自《15000字，讲透「多元思维模型」》。原文太长，为了方便阅读，做了一些节选和修改。

在说怎么获得思维模型之前，先说三个学习模型的准则：

针对问题学习模型；

学习普适性的、经典的、基础模型；

别纠结。

1、针对问题学习模型

在《12000字，讲透「能力圈」》中，老曹引用过前美团 COO 的一个观点：见过≠建过。

什么意思？就是有的人觉得：自己看别人用过了某个模型，就等于自己掌握了，然后就能应用于实践了。

类似于前面举例的小白，看到专家用了一下 vlookup，就觉得自己会了，可事实上他不知道 vlookup 的使用条件，也不知道为什么、怎么样去用 vlookup，只有皮，没有里。结果就是应用的时候错误百出（见《15000字，讲透「多元思维模型」》3.2节）。

见识过不等于建设过，见识过不等于有能力去建设。

收集的模型多，接触的理论多，了解的方法多，并不代表自己真的有能力去应用，更不代表能够解决问题。

就好像背过了 100 条的公式、定理，但一道题都不去做，那么数学和物理也学不好一样。

就好像有人喜欢收集工具，琳琅满目，摆满整面墙壁，却只会用一个螺丝刀一样。除了偶尔拧个螺丝的螺丝刀，其它的工具只是为了满足自己的收集欲望和向别人炫耀。

模型不是拿来显摆的，而是拿来解决问题的。

能够解决问题的模型，才是属于自己的模型。

所以思维模型一定是从解决问题的角度出发，起点和终点都是能否解决问题，而不是学习的模型的数量。

能够解决我们的问题，这个模型对于我们才是有价值的，否则只是我们工具墙上的一件收藏。

针对问题学习模型，并不是说遇到问题了才去学习，而是熟练掌握能解决当前问题的模型。

工作中的问题可能会反复出现，所以这个模型将来可能还会反复使用。既然如此，这个模型的优先级当然要高一些，要好好学习，熟练使用。

这和广泛的学习多元模型并不冲突。

2、学习普适、经典的、基础模型

越是基础的模型，适用的范围越广，能解决的问题越多。换句话说，模型和问题不是一对一的，而是一对多的。

比如数学里面的概率、复利、排列组合、正态分布等等，不仅仅在数学里面使用，物理、化学也要用，工作中分析产品、调研用户等等很多方面也要使用。

这是真正的基础模型，也是查理·芒格所说的「基础学科的重要理论」。

很多重要的基础模型在学校里面已经学过了，除此之外，还要学习一些工作、生活中用到的基础模型。

比如前面说的漏斗模型，就是使用范围很广的分析模型。可以分析电商、门店的流量，可以分析广告投放的效果，做增长的 AARRR 模型也是漏斗模型（见《15000字，讲透「多元思维模型」》7.2节）。

比如 PDCA 模型，本来是用于生产过程管理的，但也适用于运营、投放、产品、谈恋爱、学开车等等很多的场景。

所以当有两个模型摆在你面前的时候，别犹豫，先学那个更基础的模型。

3、别纠结

网上经常有人问：应该学 CorelDRAW 还是 AI？Python 和 Java 哪个好？

其实不用纠结，先学一个再说。

为什么？

模型是工具，是为了解决问题的，而不是反过来。

如果现在要拧一个螺丝，找一把螺丝刀就好了。至于这把螺丝刀是碳钢的还是合金的，是带棘轮的还是电动的，无所谓。

目的是拧螺丝，那么唯一需要关注的，是螺丝刀和螺丝能不能匹配。

根据螺丝去找螺丝刀，能把螺丝拧上的就是好螺丝刀。而不是先有了把螺丝刀，再到处去找匹配的螺丝。

同样的道理，如果几个模型都能解决问题，别纠结，先学一个再说。

而且让我们纠结的模型都是有共性的，学会一个之后，其它的也不难上手。

再总结下这三个准则：

针对问题学习模型；

学习普适性的、经典的、基础模型；

别纠结。

如果你有更好的准则，或者对这三个准则有修改建议，欢迎留言讨论。