读《纳瓦尔宝典》，最戳我的一句话是：「code and media are permissionless leverage.」（代码和媒体，是不需要任何人批准的杠杆。）
很多人读完就完了。我不一样——既然是讲「杠杆」的，那杠杆的倍数到底是多少，我直接上 Python 跑一遍。下面四个实验，分别对应书里四个核心概念，全部能跑，你可以边读边 copy 执行。
实验一：三种杠杆的收益模型
书里把杠杆分三类：劳动力杠杆（雇人）、资本杠杆（用钱生钱）、零边际成本产品杠杆（代码/媒体）。我把它们的放大效应写成一个类，跑一下差距：
class 杠杆: def __init__(self, 类型, 边际成本=0): self.类型 = 类型 self.边际成本 = 边际成本 # 每多服务一个人，额外增加的成本 def 放大(self, 单次产出, 服务人数): if self.边际成本 == 0: # 零边际成本：服务第 N 个人不再增加成本 return 单次产出 * 服务人数 return 单次产出 * int(服务人数 ** 0.5) # 劳动力：人多了管理成本飙升 代码杠杆 = 杠杆("代码/媒体", 边际成本=0) 资本杠杆 = 杠杆("资本", 边际成本=0.1) 劳动力杠杆 = 杠杆("雇人", 边际成本=1) for 人数 in (100, 1000, 10000): print(f"服务{人数:>6}人 → " f"代码:{代码杠杆.放大(100, 人数):>8} " f"资本:{资本杠杆.放大(100, 人数):>8} " f"劳动力:{劳动力杠杆.放大(100, 人数):>6}")
跑出来：
服务 100人 → 代码: 10000 资本: 1000 劳动力: 1000 服务 1000人 → 代码: 100000 资本: 3100 劳动力: 3100 服务 10000人 → 代码: 1000000 资本: 10000 劳动力: 10000
同样基准产出 100，服务一万人时，代码杠杆是劳动力杠杆的 10 倍、是资本杠杆的 10 倍。这就是 Naval 说的「普通人最公平的杠杆」——它不看你有没有钱、有没有团队，只看你写的东西有没有人用。程序员天生就站在这个杠杆上。
实验二：零边际成本的「睡后收入」累积
代码杠杆最狠的地方不是一次放大，而是复利累积。我写个函数模拟：你写一个库，每个月新增一批用户，老用户按留存率续费，三年下来攒多少？
def 睡后收入(每月新增用户, 客单价, 月数=36, 留存率=0.9): 总收入, 在网用户 = 0.0, 0.0 for _ in range(月数): 在网用户 = 在网用户 * 留存率 + 每月新增用户 总收入 += 在网用户 * 客单价 return 总收入 库收入 = 睡后收入(每月新增用户=500, 客单价=10) 卖命收入 = 100 * 8 * 22 * 12 * 3 # 时薪100，每天8h，月22天，干三年 print(f"一个库三年睡后收入: {库收入/10000:.1f} 万") print(f"同样时间出卖时间: {卖命收入/10000:.1f} 万")
跑出来：
一个库三年睡后收入: 136.0 万 同样时间出卖时间: 63.4 万
关键是——这 136 万是「睡着」赚的，你写库的那个周末过去之后，时间继续在为你干活。这和《穷爸爸富爸爸》的「让系统替你工作」是同一句话。
实验三：specific knowledge 为什么不可替代
书里另一个概念是 specific knowledge——你长期痴迷沉淀出来的、培训班教不会的东西。我用拟合实验证明它「教不会」：
import random, math def 特定知识(x): # 你的「直觉」，非线性、带噪声 return math.sin(x) * math.cos(x * 1.7) + x ** 0.5 xs = [random.uniform(0, 5) for _ in range(200)] ys = [特定知识(x) + random.gauss(0, 0.05) for x in xs] # 培训班只能教你线性拟合 n, sx, sy = len(xs), sum(xs), sum(ys) sxx = sum(x * x for x in xs); sxy = sum(x * y for x, y in zip(xs, ys)) a = (n * sxy - sx * sy) / (n * sxx - sx * sx); b = (sy - a * sx) / n 误差 = sum((特定知识(x) - (a * x + b)) ** 2 for x in xs) / n print(f"用线性模型去拟合你的 specific knowledge，均方误差 = {误差:.3f}") print("结论: 培训班永远教不出你这份『手感』")
跑出来均方误差很大——因为你的 specific knowledge 本质上是非线性的、带个人噪声的「手感」，任何标准化培训都只能逼近一个线性近似，永远拟合不全。
对程序员来说，这就是你的护城河：培训班能教 Django，教不会你对「系统为什么会崩」的那种直觉；能教 CRUD，教不会你看到烂架构就浑身难受、非要重构的强迫症。
实验四：长期主义 vs 追热点
书里反复强调一个决策框架：把时间轴拉到十年。我用 Monte Carlo 模拟「长期主义」和「追热点」十年后的资产分布：
import random def 十年收益(策略): 资产 = 1.0 for _ in range(10): if 策略 == "长期主义": 资产 *= 1.18 # 年化 18%，稳 else: 资产 *= 1 + random.uniform(-0.25, 0.45) # 追热点，波动大、均值更低 return 资产 random.seed(42) 长期 = sorted(十年收益("长期主义") for _ in range(1000)) 热点 = sorted(十年收益("追热点") for _ in range(1000)) print(f"长期主义十年后中位数: {长期[500]:.1f} 倍") print(f"追热点十年后中位数: {热点[500]:.1f} 倍，最低曾到 {min(热点):.2f} 倍")
跑出来：
长期主义十年后中位数: 5.2 倍 追热点十年后中位数: 2.2 倍，最低曾到 0.31 倍
长期主义不仅中位数更高，而且几乎没有下限风险（年化 18% 是确定的）；追热点看着上限高，但波动能让你十年后亏掉近 70%。今天 Rust 火就 all in，明天 AI 火就转行调 prompt——三年下来大概率什么都是半桶水。
写在最后
把《纳瓦尔宝典》跑成代码之后，结论很硬：
- 杠杆：代码/媒体是普通人最公平的零边际成本杠杆，程序员天生占着；
- 睡后收入：你每写一个能反复被用的东西，都是在造一台睡着也赚钱的机器；
- specific knowledge：你的「手感」培训班教不会，正是它构成护城河；
- 长期主义：技术选型的十年收益，确定性远胜追热点的赌博。
需要完整可跑的四实验源码？后台回复「纳瓦尔宝典」自取。
欢迎打赏！！！
10个月宝宝每天需要喝多少奶粉？
