當閱讀變成一張待辦清單
想像一個熟悉的場景:書讀到一半,已經回答了我們原本的問題,卻因為還沒讀完,遲遲不肯放下。另一本真正好奇的書,就這樣繼續躺在待讀清單裡。
「買下來、讀完、勾選完成」很整齊,卻沒有回答另一件事:這次閱讀,究竟留下了什麼?
從 Naval Ravikant 的公開閱讀觀出發,我想討論的是:我們能不能依照閱讀的目的分配深度,而不是讓完讀率決定怎麼讀?
目的可以是理解一個概念、解決一個問題,也可以只是享受文字、跟隨故事,或讓自己休息。閱讀不必每次都交出一份成果。
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
以下四個層次是本文整理的閱讀深度分配方式,不是 Naval 在上述來源中提出的正式框架,也不是經過成效驗證的閱讀方法。它提供的是一個選擇:依照當下目的、文本難度與前後依賴,決定哪裡可以快一點、哪裡值得停下來。
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)
先抓小標題、圖表與段落主旨。遇到看似重複的案例,先確認後面的例子是否補充了新證據、不同條件或反例,再決定是否略過;不能因為讀懂第一個故事,就認定後面沒有價值。
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」。
五個可選的閱讀檢查,不是新的績效考核
當我們帶著理解或應用的目的閱讀,可以從下面五個問題挑選有用的檢查。不必每本書都填滿五格,也不必為了證明閱讀有價值而交作業;小說、詩與休閒閱讀,可以保留它們自己的節奏。
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
AI 可以協助整理閱讀材料、比較觀點與解釋概念,但使用摘要前,先確認它實際取得了什麼:原文、節錄,還是只有書名與二手介紹?只有書名,不足以確認它的回答忠實代表原書。重要引文、章節主張與作者立場,仍應回到原文核對。
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」,是本文對 Naval 公開觀點的整理與延伸,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。