我以前很容易把閱讀變成一張待辦清單
在很長一段時間裡，我的閱讀流程很線性：新書進 Backlog，從第一頁往後讀，最後標成 Done。這個流程很整齊，也很容易管理。
問題是，我漸漸把「完成一本書」和「真的從一本書學到東西」混在一起。讀到一半發現它和當下問題無關，還是會想把它撐完；跳過章節，會覺得自己不夠認真；同時讀幾本不同的書，也像是在破壞某種正確的閱讀秩序。
後來讀到 Naval Ravikant 對閱讀的公開分享，我才開始換一個問題：如果閱讀的目的不是把書清空，那我真正想從一次閱讀留下什麼？
這個問題慢慢讓我從 completion rate，轉向 model change、recall、transfer、real-world use，以及少數真正值得反覆重讀的作品。
啟發轉折：Naval Ravikant 的閱讀觀真正改變了我什麼？
Naval 對閱讀的公開談話，並不是一套正式的 reading system。比較像是一組反覆出現的偏好：保留 curiosity、重視 fundamentals、允許選擇性閱讀，也願意對極少數真正重要的作品投入反覆重讀的時間。
- 先保住對閱讀的喜歡：2019 年的 Read What You Love Until You Love to Read 把重點放在培養自我教育能力與閱讀慾望：先從真正感興趣的內容開始，再逐步走向更深的基礎文本。
- 理解比「我讀過」重要：2021 年談 Read the Best 100 Books Over and Over Again 時，Naval 甚至直接承認自己沒有把某些名著全部讀完，而是回到真正重要、也真正想理解的部分反覆研讀。
- 閱讀深度可以不平均：2025 年的 Most Books Should Be Skimmed, A Few Should Be Devoured 更明確地區分 skim 與 deep reading；但同一段談話也承認，有時必須補歷史、反方觀點與整體結構，才能真正理解一套思想。
- 讀與做應該互相餵養：2025 年的 If You Want to Learn, Do 把 learning 拉回 action：做事會產生新的問題、動機與 context，而這些又會反過來讓閱讀變得更有方向。
真正改變我的，不是「以後都不要把書讀完」。而是：不要再把完讀本身當成閱讀成功的定義。
編輯的觀點整合：閱讀深度分配模型
需要特別說明的是，Naval 從未提出過一個僵化的系統框架。以下是我基於他的公開觀點，結合個人實踐，所整理出的「閱讀深度分配模型（Reading Depth Allocation Model）」。這個模型將閱讀視為一種資源分配的過程，根據書籍的價值與當下需求，在四個不同的深度檔位之間切換：
掃描（Scan）
快速檢視目錄、前言與結論。目的是建立對這本書的「地理認知」，知道它涵蓋了哪些範疇，並判斷是否值得進一步投入時間。
略讀（Skim）
跳躍式閱讀，專注於小標題、圖表或自己感興趣的章節。當作者用三個故事來證明同一個觀點時，讀懂第一個故事就可以跳過後面的。
研讀（Study）
遇到關鍵的邏輯推演或打破自己既有認知的新框架時，放慢速度，畫線、做筆記，並嘗試用自己的話重新表述（Feynman Technique）。
狼吞虎嚥（Devour）
極少數真正重要的作品。你願意投入更完整的閱讀、反覆重讀、比較與實作，直到其中的核心模型真的能進入自己的判斷，而不只是停在「我讀過」。
拋棄完讀率，建立五個真正的「閱讀指標」
如果不再計算「每年讀了幾本書」或是「這本書讀到了百分之幾」，我們該如何衡量閱讀的成效？我將傳統的數量指標替換為以下五個維度的質性檢驗：
重讀的藝術：改變的是讀者，不是書本
傳統的「Backlog → Read → Done」模式，很容易讓我們把讀過一次視為已經處理完畢。但當你的經驗、問題與先備知識改變之後，同一本書其實可能重新變得有用。
三年後你再次翻開同一本書，書本的文字沒有變，但「你」這個讀者已經完全不同了。你會在書中看到以前完全忽略的細節，讀出截然不同的意義。因此，更健康的閱讀循環應該是：遇到問題（Question） → 尋找答案並閱讀（Read） → 建立模型（Model） → 應用於現實（Use） → 接收現實反饋（Reality） → 帶著新體悟重讀經典（Re-read）。
強邊界聲明：不要把「略讀」變成萬靈丹
雖然 Naval 提倡大多數的書都可以略讀，但我們必須保持清晰的「邊界意識」。這套以獲取概念為主的靈活閱讀法，並不能無限上綱到所有的閱讀場景。
1. 數學與嚴格證明：如果目標是掌握證明或演算法推導，跳過關鍵步驟很可能破壞後續理解。
2. 法律合約與技術規格書：這類文本要求高精確度；略過關鍵條款或 requirement 可能帶來真實風險。
3. 文學與敘事作品：如果目標包含語言、節奏、人物與整體閱讀經驗，摘要很難取代作品本身。
4. 完整的論證鏈條：有些哲學或理論文本高度依賴前後論證；跳著讀時，需要特別小心不要把局部主張從它的 argument chain 拆掉。
AI 時代的閱讀：取得摘要更便宜，不代表理解也變便宜
生成式 AI 讓 summary、search、comparison 與 explanation 的取得成本大幅下降。這很好用：在投入一本書之前，我們可以更快判斷它談什麼、哪些章節可能最相關、它和其他作者有什麼衝突。
但這同時放大了一個舊問題：隨時取得一個答案，和自己已經建立能遷移的理解，是兩件不同的事。
正如我在 第二大腦不是資料倉庫 與 AI 幫你做到，不代表你已經學會 裡反覆區分的：retrieval 與 assisted performance 可以外包很多，但 model formation、judgment、transfer、taste，以及知道自己哪裡不懂，仍然需要另外的證據。
所以我不把 AI 當成「不要讀書」的理由。我更願意把它當成 reading router：先幫我定位問題、比較來源、找反例；真正值得理解的地方，再回到原文、自己的重述與現實使用。
實踐篇：7 步實用閱讀法
綜合以上觀點，你可以嘗試用以下 7 個步驟來重新設計你的日常閱讀流程：
- 1. 從一個具體的問題開始：不要只為了「把書讀完」而翻開它。先知道自己現在想理解什麼，通常會更容易判斷哪些章節值得深入。
- 2. 先進行全局掃描：先看目錄、前言、結語與幾個關鍵章節，判斷這本書值得你投入多少時間。
- 3. 勇敢地略讀與跳躍：在覺得囉嗦、重複或已知的地方果斷跳過，不要有任何罪惡感。
- 4. 遇到高價值內容才下潛：當某個段落擊中你的痛點或提供全新視角時，切換到「研讀」模式，慢下來做筆記。
- 5. 用自己的話寫下模型：關上書本，用一句話總結這個概念，並思考它如何與你既有的知識網相連。
- 6. 尋找邊界與反例：思考這個觀點在哪種情境下會失效？避免成為盲目的信徒。
- 7. 送回現實測試並擇優重讀：去實踐它。如果這個概念改變了你的生活，把這本書放回書桌上，幾年後再讀一次。
原始出處與邊界聲明
本文深受 Naval Ravikant 公開分享的閱讀理念啟發。為確保資訊來源的透明度，列出本文參考的核心文獻：
- Read What You Love Until You Love to Read (2019)
- Read the Best 100 Books Over and Over Again (2021)
- Most Books Should Be Skimmed, A Few Should Be Devoured (2025)
- If You Want to Learn, Do (2025)
註解：文中所提出的「閱讀深度分配模型」與「五個閱讀指標」，是我個人對 Naval 公開觀點的詮釋、延伸與實踐心得，並非《納瓦爾寶典》（The Almanack of Naval Ravikant）的直接節錄，也不代表適用於所有學科的普世法則。讀者應根據自身的閱讀目標進行調整。
我真正想停止優化的，是「完成感」
這套閱讀方式對我最有價值的地方，不是讓閱讀變得更輕鬆，而是把目標重新拉回：不是證明自己讀了多少，而是讓自己變得更會理解、判斷與行動。
一本書不需要被完整征服，才有資格改變你。有時候真正重要的，只是一段你會在不同人生階段反覆回來重讀的文字。
