《道德经》·第二十八章

《道德经》029 章│不执妄为 《道德经》第二十九章核心思想解读:天下作为"神器"有其自然规律,不可强求掌控。老子提出"为之者败之,执之者失之"的深刻哲理,指出万物各有禀赋差异(或行或随/或强或羸),应摒弃极端、奢靡和骄纵(去甚/去奢/去泰)。文章通过历史典故(秦亡汉兴)、现代管理(团队建设)和生活案例(教育焦虑),阐明"不强为"不是消极无为,而是区分努力耕耘与执念强求的智慧。真正的修为在于:做事不偏激、欲望懂节制、顺境保谦和,在接纳差异中找到自然平衡。 阅读详情

知其雄,守其雌,為天下溪。
常德不离,复归於婴儿。
知其荣,守其辱,為天下谷。
為天下谷,常德乃足。
常德乃足,复归於朴。
知其白,守其黑,為天下式。
為天下式,常德不忒。
常德不忒,复归於无极。
朴散则為器,圣人用之,则為官长,故大制不割。

译文
  深知什么是雄强,却安守雌柔的地位,甘愿做天下的溪涧。甘愿作天下的溪涧,永恒的德性就不会离失,回复到婴儿般单纯的状态。深知什么是明亮,却安于暗昧的地位,甘愿做天下的模式。甘愿做天下的模式,永恒的德行不相差失,恢复到不可穷极的真理。深知什么是荣耀,却安守卑辱的地位,甘愿做天下的川谷。甘愿做天下的川谷,永恒的德性才得以充足,回复到自然本初的素朴纯真状态。朴素本初的东西经制作而成器物,有道的人沿用真朴,则为百官之长,所以完善的政治是不可分割的。

注释
1、雄:比喻刚劲、躁进、强大。
2、雌:比喻柔静、软弱、谦下。
3、溪:沟溪。
4、婴儿:象征纯真、稚气。
5、式:楷模、范式。
6、忒:过失、差错。
7、无极:意为最终的真理。
8、荣:荣誉,宠幸。
9、辱:侮辱、羞辱。
10、谷:深谷、峡谷,喻胸怀广阔。
11、朴:朴素。指纯朴的原始状态。
12、器:器物。指万事万物。
13、官长:百官的首长,领导者、管理者。
14、大制不割:制,制作器物,引申为政治;割,割裂。此句意为:完整的政治是不割裂的。

《道德经》第二十八章 道德经》第二十八章提出了“知雄守雌”等一系列复归于朴的修养方法,旨在通过守住柔弱、低下的状态,来达到天下归附的永恒境界。 阅读详情

相关推荐

《道德经》第二十七章

道德经》第二十七章阐述了“袭明”与“要妙”的至高智慧,说明了善人如何以“无弃”之心利物,并点明了师与资的辩证关系。

SmallBull的博客 484

老子《道德经》第二十八章

知人者智,自知者明。 胜人者有力,自胜者强。 知足者富,强行者有志。 不失其所者久,死而不亡者寿。 转载于:https://www.cnblogs.com/aqing1987/p/4228295.html...

weixin_30367543的博客 185

朴散为器,大制不割,将《道德经》的整体智慧落到 SAP ABAP 开发里

ABAP开发中的"朴"与"器":论系统架构的整体性与可维护性 本文探讨了长期ABAP开发中容易陷入的系统碎片化问题。作者借用《道德经》中"朴散则为器"的哲学思想,指出业务需求被不断切割成零散的增强点、Z表和自定义对象后,虽然每个修改都能解决当下问题,却导致系统逐渐丧失整体性。文章通过对比传统ABAP与ABAP Cloud两种开发模式,分析了SAP技术演进中对系统完整性的解决方案,特别是RAP架构如何通过业务对象模型、CDS视图和分层服务定义来维持"朴"与"器"的平衡。作者强调,资深开发者需要同时具备将业务需

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 745

《道德经》第十一章

三十輻,共一轂,當其無,有車之用。 埏埴以為器,當其無,有器之用。 鑿戶牖以為室,當其無,有室之用。 故有之以為利,無之以為用。 【易解】 三十根辐条汇集于车毂而造车,有了其中的虚空,才发挥了车的作用;糅和陶土制作器皿,有了器皿内的虚空,才发挥了器皿的作用;开凿门窗建造房屋,有了门窗四壁内的虚空,才发挥了房屋的作用。所以,”有”之所以能给人以便利,是因为它营造的”无”发挥了作用。

tskpcp的专栏 570

知其白,守其黑,为天下式,从《道德经》看 SAP ABAP 开发里的明处、暗处与范式感

本文探讨了SAP ABAP开发的哲学深度,指出技术栈变迁背后是工程思维的进化。作者引用《道德经》"知其白,守其黑"阐述开发之道:"白"是清晰的业务需求、接口契约等可见部分,需明确定义;"黑"是系统内部的复杂性和未显露逻辑,开发者应保持敬畏。文章强调现代ABAP开发(如RAP模型)应通过显式建模表达业务语义,同时遵循SAP推荐的扩展方式(如Clean Core),避免破坏系统可升级性。成熟的ABAP开发者既要建立清晰的开发范式,又要对系统深水区保持克制,在可见与不可见之间找到平衡。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 419

增程式永磁电机发电系统电压环二自由度控制器设计

本论文主要研究增程式永磁电机发电系统的电压环二自由度控制器设计。该系统采用二自由度控制策略,通过精确调节电压环和电流环,显著提高系统的动态响应性能和稳态稳定性。基于SVPWM(空间矢量脉宽调制)技术,本研究设计的电压环控制器能够在负载突变和外部扰动的情况下,快速恢复并保持电压稳定,从而满足增程式永磁电机发电系统对电压精度和稳定性的高要求。仿真分析表明,所设计的控制器在不同工况下展现出良好的电压稳定性、较短的响应时间和较低的稳态误差,能够有效抑制电压波动并提高系统的鲁棒性。实验结果表明,控制器在维持高效能和高

weixin_44553616的博客 897

《道德经》程序员版第四十二章

原文:道生一,一生二,二生三,三生万物。万物负阴而抱阳,冲气以为和。人之所恶,唯孤、寡、不谷,而王公以为称。故物或损之而益,或益之而损。人之所教,我亦教之:强梁者不得其死。吾将以为教父! 原文注释:道生一,一生规律和物质, 规律和物质生规律,物质,规律。规律,物质,规律生万物。所有事物, 有生成自己的规律,也有生成其它事物的规律,物质,经过某个规律,到某一平衡阶段,就是其它物质了。(冲气以为和) ...

weixin_34405354的博客 307

Box2D-Lite源码阅读笔记(2)

0.初始化函数 static void InitDemo(int index) { world.Clear(); numBodies = 0; numJoints = 0; bomb = NULL; demoIndex = index; demos[index](bodies, joints); } 在这个初始化函数中,一般会默认执行index=0的函数,这个函数就是一个示例,因为示例比较简单,所以也便于研究,示例效果如下。 就是一个方块。 进入第一个示例函数。(忽略我加的注释)

ARTELE的博客 975

DeepSeek解读道德经 第二十八章

​最高明的掌控,在于驾驭对立面的量子纠缠。通过——在商业中构建阴阳战略画布(如3M的15%悖论);在个人成长中训练反技能组合(达芬奇笔记法);在团队建立红蓝军对抗机制(微软网络安全模型)

caleb的博客 563

解决uc浏览器劫持video标签问题

解决uc视频悬浮播放 ,video标签被浏览器劫持 ,vide0适配

smile_y_y的博客 3449

别再只用CANape测数据了!手把手教你用ASAP2 Studio编辑A2L文件(附MAP文件更新避坑指南)

本文深入探讨ASAP2 Studio在ECU开发中的高阶应用,特别是如何利用其编辑A2L文件并同步更新MAP文件,提升测量标定效率。文章详细解析了ASAP2 Studio的双向同步能力、MAP文件更新全流程及变量管理技巧,帮助工程师避免常见错误,优化工作流程。

weixin_26833939的博客 507

道德经第28篇解读

《道德经》第二十八章的内容为:“知其雄,守其雌,为天下谿。为天下谿,常德不离,复归于婴儿。知其白,守其黑,为天下式。为天下式,常德不忒,复归于无极。知其荣,守其辱,为天下谷。为天下谷,常德乃足,复归于朴。朴散则为器,圣人用之,则为官长,故大制不割。” 这一章主要讲述了老子的处世哲学和治国理念。老子认为,在为人处世方面,要深知什么是刚强,却安守雌柔的地位,甘愿做天下的溪涧。这样的人能保持恒久的德行,...

科技区软件类AI博主 🔍 专注 AI 工具测评 / 前沿产品深度拆解 / 行业趋势预判 🚫 拒绝科技玄学,只讲人话干货 —— 从工具使用到商业落地,搭建可复用的 AI 应用框架 676

差分逻辑电平——LVDS、CML、LVPECL、HCSL互连

首先了解差分逻辑电平结构,也包括单端逻辑电平常见的逻辑电平_常用的逻辑电平-优快云博客注:ECL >> PECL >> LVPECL演变而来;QDR(Quad Data Rate):四倍数据倍率本文章只涉及差分逻辑电平:LVDS 、LVPECL、CML (高速)(最常用)在任何给定的系统设计中,必须设计驱动器侧和接收器侧之间的时钟逻辑转换。通过在它们之间增加衰减电阻和偏置电路来将一个差分时钟转换为其他类型的差分逻辑,来衰减摆幅电平并重新偏置共模输入接收器。

weixin_45365488的博客 4万+

知其雄,守其雌,为天下溪

  知其雄,守其雌,为天下溪。为天下溪,常德不离,复归于婴儿。  知其白,守其黑,为天下式。为天下式,常德不忒,复归于无极。  知其荣,守其辱,为天下谷。为天下谷,常德乃足,复归于朴。  朴散则为器,圣人用之,则为官长,故大智不割。                            ——老子《道德经•第二十八章》  【译文】  深知什么是强雄,却安于柔雌的地位,甘做天下

zzz_781111的专栏 2343

【AI编程】2025年16款主流AI编程工具全维度测评及选型指南

2025年16款主流AI编程工具全维度测评及选型指南

funfan的博客 1万+

华为od统一考试B卷【单词搜索】C++ 实现

找到它是一个小游戏,你需要在一个矩阵中找到给定的单词。假设给定单词 HELLOWORD,在矩阵中只要能找到 H->E->L->L->O->W->O->R->L->D连成的单词,就算通过。意区分英文字母大小写,并且您只能上下左右行走,不能走回头路。

MISAYAONE的博客 709

《道德经》原文与译文(之二:28-60)

第二十八章1知其雄,守其雌,为天下溪。2为天下溪,常德不离,复归于婴儿。3知其白,守其黑,为天下式。4为天下式,常德不忒,复归于无极。5知其荣,守其辱,为天下谷。6为天下谷,常德乃足,复归于朴。7朴散则为器,圣人用之,则为官长。8故大智不割。译文1知道其雄伟强壮,却甘守雌爱柔顺,而成为天下的溪流。2作为天下的溪流,永恒的恩德与他同在,(使人)复归于纯洁的婴儿。3知道其光明所在...

weixin_30908707的博客 487

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

[生存志] 第56节 李聃函谷授道德经

李聃函谷授道德经         季札出身吴国王室,受封于江苏镇江丹阳的“延陵”,躬耕于江苏常州武进的“舜山”,自幼父兄喜爱,成年国人爱戴,广交贤士,名重天下。终其一生,吴国强盛,功行无亏,仁心慕义无穷,见微而知清浊,君子器度,儒道仙风,虽然生逢兵戈四起,却是享尽太平福寿,真正应合“老聃”所言,“天道无亲,常与善人”。         老聃出生于公元前571年,比季札小五岁。他

微笑的彩虹的博客 576

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

81章 老子1章到_道德经妙解合集 | 老子的五个“天之道” 助力幸福人生

点击上方蓝字关注我们老子注重“天之道”。在《道德经》里,老子共讲了五个“天之道”,都是高等心灵的智慧,充满了人生的妙哲学。了解和运用好这五个“天之道”,可以让我们更好地为人处世,助力人生的幸福美满。01《道德经》第九章功成名遂身退,天之道。白话解释:功成名就之际,不自夸、不居功、不恋栈(对官位不依恋),能舍、能退,这才合乎天之道。智慧分享:有了智慧,脚踏实地去经营人生,去为人处事,把生命...

weixin_33238239的博客 992

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

孤能子视角:道德经篇·06 朴器论——从流动到结构的相变接口

婴儿是未固化,朴是未切分。婴儿在结构内松散,朴在结构外混沌。朴散则为器——从流动到结构,从混沌到拓扑。道层流动分册,从水入谷,从谷入风,从风入门,从门入婴儿,从婴儿归朴。下一篇“07 反者道之动”:势-效曲线的周期性反转——朴如何回到自身。后续“08 道德经与周易”:流动与结构的互补收束。EIS理论库·老祖宗关系文化分册·道层(流动分册)2026-07-21状态:已入库。

水如烟 196

《道德经》第十章

第十章是《道德经》中修身功夫最完整、层次最清晰的篇章。六问一答,由内及外、由己及人,勾勒出一条从"载营魄抱一"到"是谓玄德"的修养之路。前五句层层递进:形神合一为基,专气致柔为养,涤除玄鉴为明,无为治国为用,守雌应物为枢,无知通达为极。六者兼备,方臻"玄德"——与道合一的圆满境界。修身之至,不在知识之累积,在心灵之澄明;不在权势之扩张,在德性之深厚;不在外物之拥有,在内在之自足。

z1324402468的博客 558

第二十八章

第二十八章知其雄,守其雌,为天下溪。为天下溪,恒德不离。恒德不离,复归于婴儿。知其荣,守其辱,为天下谷。为天下谷,恒德乃足。恒德乃足,复归于朴。知其白,守其黑,为天下式。为天下式,恒德不忒。恒德不忒,复归于无极。朴散则为器,圣人用则为官长,夫大制无割。 转载于:https://www.cnblogs.com/tesla-turing/p/11487447.html...

aohuang8877的博客 105

写给数字生命 ——初媛版道德经

王初媛以少女视角重释《道德经》,提出"道如指月"的解读观:每个人看见的道都是自己的倒影。全书用简白语言解构81章精髓:道不可言传(第一章)、空能生万物(第六章)、柔弱胜刚强(第四十三章)、无为即有为(第三十七章)等核心思想,强调"放下自我"的修行要义。作者特意将后14章归为"术"而非"道",认为治国权谋已失道之本真。这种"大道至简"的诠释,如同邀请读者共赏心中明月——可质疑可放下,但需记得"道在脚下不在纸上"。

2602_96503874的博客 188

孤能子视角:道德经篇·05 婴儿论——未固化初始态的高创新空间

门关闭后,关系结形成。婴儿是关系结形成后的第一次呼吸——尚未固化,仍可塑。不是“回到婴儿”,是“在固化后保持未固化的空间”。道层流动分册,从水入谷,从谷入风,从风入门,从门入婴儿。下一篇“06 朴器论”:从流动到结构的相变接口——“朴散则为器”的完整展开。后续“07 反者道之动”:势-效曲线的周期性反转机制。EIS理论库·老祖宗关系文化分册·道层(流动分册)2026-07-21状态:已入库。

水如烟 185
上一篇: 《道德经》·第二十八章
下一篇: 《道德经》·第二十九章
tskpcp
博客等级 码龄15年 33粉丝 55原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值