分享一个讲透任意知识点的万能框架，程序员提升个人技术影响力必备！

准备 30–50 分钟技术分享，想让新人听得懂，老鸟也不嫌浅？从下列框架挑一个套用就行。

你是不是也遇到过这种情况：精心准备了满满的干货，结果台下鸦雀无声，大家都在默默刷手机。

别担心，问题通常不出在你的技术深度，而是出在讲述方式上。一个好的“故事模板”，能像 GPS 一样，引导你的听众轻松地跟你走完全程，让小白也能听懂，大牛直呼内行。

关注腾讯云开发者，一手技术干货提前解锁👇

腾讯云开发者

腾讯云官方社区公众号，汇聚技术开发者群体，分享技术干货，打造技术影响力交流社区。

962篇原创内容

公众号

01

Why‑What‑How —— 先讲痛点，再给解药，最后上操作

例子：Pod 调度

• Why (痛点)：“想象一下，双 11 零点，监控告警突然炸了：一台服务器的 CPU 飙到 95%，另外几台却在 30% 闲逛。为啥？因为你最核心的几个 Pod，都挤在同一台机器上开 Party 了！”
• What (类比)：“这时候，PodAntiAffinity 就该登场了。它干的事很简单，就一句话：‘求求你们别挤同一辆车！’。它会告诉 K8s，打了这个标签的 Pod，请务必分散到不同的机器上。”
• How (操作)：“实现它只需要在你的 YAML 文件里加上这三行核心配置。来，我们看一下 Demo，加完之后一发布，流量立刻就均匀地分散开了。”

避坑：还没说明 Why 就贴 200 行配置，一秒劝退。

图片

02

层层递进 —— 像剥洋葱一样，从皮到芯讲透它

当你需要深度剖析一个复杂技术（比如一个算法、一个底层协议）时，用这个框架，可以兼顾不同水平的听众。

1. Surface (表层)：一句话概括，让所有人先有个基本印象。
2. Deep (深层)：深入一层，揭示它的核心工作机制。
3. Deeper (更深)：再往下挖，聊聊性能、设计取舍和关键瓶颈。
4. Expert (专家视角)：最后，分享一些前沿的“黑科技”或社区最新的研究方向。

举例：聊聊改变世界的 Transformer

• Surface (表层)：“首先，让所有人先上车：Transformer 最牛的一点，就是用并行计算彻底取代了 RNN 的串行模式，处理文本的速度快了几个数量级。”
• Deep (深层)：“那它是怎么做到并行的呢？我们来掀开引擎盖，看看它的核心魔法——‘多头自注意力机制’ (Multi-Head Self-Attention)。”
• Deeper (更深)：“但是，当文本变得超级长，这个‘注意力机制’的计算量会暴增，性能就遇到了瓶颈。为了解决它，社区大神们搞出了像 FlashAttention 这样的优化方案。”
• Expert (专家视角)：“如果你想知道现在最顶尖的团队在研究什么，那答案就是 MoE (Mixture of Experts) 和稀疏注意力 (Sparse Attention)，这可能是通往更强 AI 的下一把钥匙。”

图片

03

F‑R‑S‑C‑O —— 用五个视角，给知识做一次全面体检

这个框架强迫你从“使用者”而非“创造者”的视角，审视一个技术的完整生命周期。它将抽象的概念，转化为具体可感的画面。

例子：Raft（一句话一维度）

• (功能) 它只解决一件事：保证数据副本的强一致性，不多也不少。
• (合理) 它的设计就是为了让人能看懂，这意味着我们自己实现时不容易出 bug。
• (稳定) 只要超过一半的节点活着，数据就不会丢，可用性极高。
• (兼容) 主流语言都有成熟的库，我们不用重复造轮子。
• (运维) etcd 用的就是它，社区已经帮我们踩过所有坑了，运维经验很成熟。”

图片

04

英雄之旅（Failure-Driven Story） —— 从一次事故到一次成长

大脑天生就爱听故事，尤其是关于“克服挑战”的故事。这不仅是传递信息，更是在分享情感与智慧。

1. Fault (事故)：描述一个具体的、有冲击力的故障场景。
2. Detect (发现)：我们是如何一步步定位到问题根源的？
3. Mitigate (缓解)：第一时间做了什么来止血，让损失最小化？
4. Prevent (预防)：我们如何从代码、架构、流程上根治了它？
5. Learn (教训)：这次昂贵的“学费”，教会了我们团队什么？

举例：那次让支付接口全红的秒杀事故

开场悬念：“时间回到去年双十一的 19:58，离大促正式开始还有 2 分钟，突然，支付网关的监控图瞬间全红！”

1. Fault：所有支付接口返回 500 错误。
2. Detect：运维冲进日志系统，发现大量报错指向“数据库连接池耗尽”。
3. Mitigate：我们立刻手动扩容 Pod，同时紧急开启限流，暂时丢弃非核心请求，保住主流程。
4. Prevent：事后复盘，发现是连接池没有做“预热”导致。我们在启动脚本里加入了预热逻辑，彻底修复。
5. Learn：这次事故后，我们的《大促预案 Checklist》上，永远多了一条：“所有服务必须进行连接池压力测试和预热”。

图片

05

SCQA —— 30秒的悬念电影

在分享的开头，用它来制造一个“认知缺口”，迅速抓住听众的注意力。

这是麦肯锡经典的分析框架，非常适合用在分享的开场，或者当你想快速提出一个问题并给出你的核心答案时。

• S (Situation - 背景)：先描述一个大家都认同的现状。
• C (Complication - 冲突)：然后，指出这个现状下出现了什么新问题、新矛盾。
• Q (Question - 提问)：基于这个冲突，自然地引出一个核心问题。
• A (Answer - 回答)：最后，给出你的核心论点或解决方案，作为整场分享的总纲。

举例：我们的数据库还能扛多久？

• S (背景)：“各位同事，大家知道，过去三年，我们整个网站都依赖着那台单点 MySQL 稳定运行。”
• C (冲突)：“但从上个季度开始，随着用户量翻倍，它的读取性能增加了 5 倍，写入延迟也翻了一番，用户已经开始抱怨卡顿了。”
• Q (提问)：“所以，问题来了：我们有没有办法，在不进行大规模重构的前提下，既保证写入稳定，又能让读取速度飞起来？”
• A (回答)：“答案是肯定的。今天我要分享的，就是一套成熟的解决方案：数据库读写分离与主从复制架构。”

图片

06

PREP —— 60秒的电梯路演

这个框架是表达观点和说服他人的利器。结构简单，逻辑清晰，特别适合在会议上回答问题，或者向老板提出建议。

• P (Point - 观点)：开门见山，先说你的核心结论。
• R (Reason - 理由)：然后，解释你为什么会这么认为。
• E (Example - 案例)：给出一个具体的数据或例子来支撑你的理由。
• P (Point - 重申观点)：最后，再次强调你的结论，完成闭环。

举例：申请使用 AI Code Review

• P (观点)：“老板，我建议我们团队必须立刻引入基于 AI 的 Code Review 工具。”
• R (理由)：“因为现在纯靠人工，不仅效率低，而且大家都在花宝贵的时间去纠结代码风格这种小事，反而忽略了更深层的逻辑漏洞。”
• E (案例)：“上周，我拿咱们核心的xx模块试用了一下某 AI codereview Agent，它自动扫描出了 30% 我们之前人工评审时遗漏的低级 Bug 和潜在的问题。”
• P (重申观点)：“所以，为了提升代码质量和开发效率，我们应该马上就搞起来！”

图片

07

时间轴 —— 带着听众穿越技术的“前世今生”

为知识赋予时间的维度，可以揭示其演进的“模式”，让听众理解“为何今天是这样”。

举例：游戏实时渲染技术的进化之路

• 过去 (Fixed Pipeline)：“在游戏开发的早期，图形渲染用的是‘固定管线’，就像一条规定好的流水线，开发者能做的很有限。”
• 现在 (Programmable Shader & Real-time Ray Tracing)：“后来，‘可编程着色器’的出现解放了生产力。发展到今天，我们甚至可以在游戏里实现‘实时光线追踪’，模拟真实世界的光影效果。”
• 未来 (AI + Global Illumination)：“那明天会怎样？我认为是 AI 驱动的渲染（比如 DLSS 3）和实时全局光照的结合，最终将彻底模糊游戏和电影CG的界限。”

图片

08

选型矩阵（附录，一页表搞定）

以上框架各有优劣，选择时应结合内容特点和听众需求：如果需要说理就用PREP，如果要讲故事就选Failure-Driven Story，要提炼问题则SCQA，用科普介绍则Why-What-How或层层递进等。

09

5 个你最容易踩的坑

1. 顺序错乱：还没讲清楚 Why (为什么需要)，就开始大讲 How (如何实现)。
2. 砌文字墙：一个段落超过 3 行，或者一张 PPT 上超过 50 个字，观众立刻放弃阅读。
3. 概念轰炸：抛出一个技术名词后，不给一个接地气的例子或类比。
4. 故事没结尾：讲完惊心动魄的救火过程，却不总结教训 (Learn)，听众感觉意犹未尽。
5. 表格失焦：一个表格里的列数超过 5 列，信息过载，没人会仔细看。

10

终极彩蛋：让 AI 成为你的专属演讲教练

光有框架还不够，怎么快速填充内容？答案是：学会给 AI 下达精确的指令。

一个好的 Prompt，能让 AI 从“聊天玩具”变成你的“首席内容官”。

下面这个 Prompt 就是一个绝佳的范例。你可以把它存为模板，下次想讲解任何技术点时，只需修改“知识点”和“要求”，就能生成一份高质量的初稿。

你是一位资深机器学习工程师 + 高手讲师，擅长把复杂原理讲成人人都能听懂的故事。

== 任务 ==
- 受众：具备基础深度学习知识、对 Transformer 感兴趣的开发者（混合水平）。
- 时间：3–5 分钟微讲解（适合插入到 30 分钟大课中）。
- 知识点：Transformer 核心 —— **Multi-Head Self-Attention**。
- 框架：**Why-What-How**（先痛点，再概念，最后实践）。

== 要求 ==
1. 用 **口语中文**，一个段落 ≤ 3 句；多用列表与代码框作视觉锚点。  
2. 每步框架都要有 **一句话 Takeaway**（粗体标注）。  
3. 必须包含：  
   • **1 段伪代码 / PyTorch 代码**（展示 Q, K, V 线性投影 + 多头拼接）。  
   • **1 个实际数字** 说明性能/效果（例如“BERT-Large 用 16 头注意力将 F1 提升 1.2%”）。  
4. 指出 **1 个常见误区**（anti-pattern）与修正。  
5. 完整输出 Markdown：最外层用 `## Why` `## What` `## How`，末尾加 `🎯 行动清单`。  
6. 如信息不足，先提出 ≤ 2 个简洁澄清问题，再开始写稿。

== 输出示例（仅结构示意，生成时请填充内容） ==
## Why  
…  
**Takeaway：…**  

## What  
…  
# 关键代码示例

**Takeaway：…**
## How
…
**常见误区**：… → 修正：…
**Takeaway：…**

🎯 行动清单

* …
* …

\== 交付 ==
只输出 Markdown 讲稿，不要其它说明。

11

行动清单：今晚就从这三件事开始

1. 随便选一个你熟悉的知识点，用 Why‑What‑How 的结构写一个 5 行字的提纲。
2. 回忆一次你印象最深的线上故障，用 Failure-Driven Story 的 5 个步骤，写一个 300 字的复盘小故事。
3. 打开你最近做过的一个 PPT，把里面的“文字墙”毫不留情地拆分成短句、列表和代码框。

写得像聊天，句子保持 < 20 词，段落 ≤ 3 行 —— 这是让人愿意读完的硬道理。

Done！ 现在，你有了 7 + 1 个“故事 GPS”。下次上台，听众不刷手机，掌声自然来。