数据人有一种专属焦虑，在技术论坛上每天都能看到它的新变体：
「现在还值得学 Hadoop 吗？」「Flink 和 Spark 我只会一个，会不会被淘汰？」「Python 3.12 都出来了，我还在用 3.9 会不会落伍？」「要不要转 AI 方向？感觉再不转就来不及了……」
这种焦虑有一个共同的底层结构：总感觉自己当前掌握的技术是错的，别人正在学的东西才是对的。
先说一个让人稍微放松的事实：这种焦虑本身是行业健康的副产品。数据领域技术更新确实快，这说明行业在高速发展，有机会。但焦虑本身解决不了任何问题。我们需要一套更清醒的技术选择框架。
技术选型的底层逻辑：三角平衡
技术选择从来不是一个纯技术问题，它是三个变量的平衡：
岗位需求（市场要什么）：招聘JD是最直接的市场信号。打开10个你感兴趣的岗位的JD，把必须项技能做个词频统计。这不需要猜测，市场会告诉你。
行业趋势（未来方向是哪里）：这是最容易被焦虑放大的变量。新技术从「出现」到「在大部分公司成为刚需」，通常需要3-5年。你不需要在技术刚出来的时候就All In学它，提前6-12个月开始系统学习通常就足够了。
个人基础（你站在哪里）：这是最容易被忽视的变量。同样要学Spark，一个有3年Hadoop经验的人和一个刚入门数据的人，学习路径应该完全不同。你现在的基础决定了什么技术你能快速上手，什么技术需要先补基础。
技术选择的好答案不是「行业最热的技术」，而是在你当前基础之上、能在未来岗位需求中产生价值的技术。
「够用原则」vs「精通原则」
很多技术焦虑来自混淆了这两种技能策略：
够用原则（Breadth-First）：了解技术的核心概念，能在工作中使用基本功能，遇到问题知道去哪里查。
适用场景：不是你核心工作领域的技术、你需要跨领域协作但不需要深挖的工具、短期内快速上手某个工具完成特定任务。
