我提倡在使用LeSS中平衡框架导向和实验导向。因为框架导向已经挺强了，我想更多地展开实验导向。有可能不采用LeSS框架来导入LeSS吗？我认为是可能的，因为那其实就是受LeSS实验启发的持续改进。
受LeSS实验启发的持续改进
让我来分两部分加以解释 - 持续改进和受LeSS实验启发。
持续改进
LeSS导入 - 无论是框架还是实验 - 的目的是改进产品开发。为了持续地改进，两件事能有所帮助。
-
一个持续改进的周期，基于年/季度/月、版本/迭代等。虽然框架经常会带来一个持续改进的周期，我们并不真的需要一个框架来创建周期；生活中就充满了周期：）
-
一个诸如PDCA这样的改进方法。我们定义改进话题、设计并采取措施，学习并加以适应。为了能提升改进质量，我们可以应用系统思考，更多信息请参考“实践系统思考: 2) 从鱼骨图到因果回路图”这篇文章。
受LeSS实验启发
当定义改进话题（改进什么和怎么改进）时，我们能受益于对LeSS实验的学习。我们可以从分析问题开始，然后从LeSS实验中寻找启发：可能的原因和方案、甚至重新定义问题。我们也可以从LeSS实验开始，然后寻找机会来改进我们自己的情况。我把这叫作问题和实验的碰撞。
它们在哪里碰撞？在系统模型中。我们在同一个系统模型中分析问题并学习相关LeSS实验。虽然一个实验可以是一个采取措施的单元，它并不是一个好的学习单元，因为一组实验会共享一个上下文，在更大上下文中一起来学习它们会更有效。这与建议在更大的上下文中分析问题是一致的。系统模型则提供了这个上下文。
一个例子 - 改进遗留代码
比如说，我们有一个改进遗留代码的话题。我们可以把问题定义为“遗留代码拖慢了我们”，然后措施是“重写遗留模块A”。我们把这放入到一个系统模型中，以下是一种方式。我把B1回路命名为“重写以清理遗留代码”。
让我们来学习相关的LeSS实验以获取更多启发。第二本LeSS书中有一个章节就叫“遗留代码”。你注意到的第一件事会是，那些实验被组织成两部分：一部分是如何避免新增遗留代码；另一部分则是如何清理现存遗留代码。事实上这是一个典型的存量流量思考方式 - 如果你识别某个变量为存量，你会考虑它的流入和流出；虽然CLD并不要求显式区分存量和流量 - 它们在CLD中都是变量，我们受益于这种思考从而考虑得更为完整。就这样我们通过拆分/新增了遗留代码相关的变量来对模型加以完善。
我们继续读这个章节。第一部分是如何避免产生更多遗留代码，以下是一组相关实验。
-
避免……固定内容并带有不合理的截止日期
-
尝试……透明性和客户协作
-
避免……招聘许多技能弱的开发人员
-
避免……相信大学教育会教授开发技能
-
尝试……增加对学习开发技能的组织支持
-
尝试……支持更多自学
-
避免……轻视编程
-
尝试……提升对遗留代码所产生负面影响的认知
产生遗留代码有两类主要的原因：一个是排期不合理，另一个是开发技能差。在读这些实验的过程中，我们进一步完善模型。
如你注意到的那样，模型被扩展了许多。让我一块一块来解释。
-
B2回路是对期望产出和实际产出之间差距的一种典型反应，我把它命名为“施压以获得更多产出”。然后，R1回路则展示了一个意外的后果，我把它命名为“匆忙/疲劳的开发人员产生遗留代码”。
-
B3回路则是另一种反应，我把它命名为“招聘以获得更多产出”。不幸的是，招聘好的开发人员需要时间，在模型中呈现为延迟。当我们因为不能等而在匆忙中招聘时，就会招许多技能弱的开发人员。因此更多的招聘导致了更低的开发者技能，进而产生了另外两个意外的后果。
-
R2回路展示了一个后果，我把它命名为“技能弱的开发人员会慢”。R3回路则展示了另一个后果，我把它命名为“技能弱的开发人员产生遗留代码”。
借助于系统模型，我们对诸如“避免……招聘许多技能弱的开发人员”、“尝试……增加对学习开发技能的组织支持”和“尝试……支持更多自学”这些相关实验的学习更深入了。
继续第二部分 - 关于如何清理现存遗留代码，以下是一组相关实验。
-
避免……重写遗留代码
-
尝试……清理你的周边
-
尝试……写高层和单元两类测试
-
尝试……重写致命的遗留代码
我们终于看到了与最初的B1回路相关的实验。等一下，有两个相关的实验：一个是“避免……重写遗留代码”，另一个是“尝试……重写致命的遗留代码”。这很有趣，为什么既避免又尝试？我们深入下去……留给你自己学习：）然后，我为“清理你的周边”增加了B4回路，那是另一条清理遗留代码的路径。以下是更新的模型。
所以，LeSS实验在系统模型中是什么呢？它们对系统施加影响；它们影响某些变量、链路和回路。
在看到所有这些变量和动态之后，我们可能仍然决定采取原先的措施 - 重写遗留模块A。此外，我们采取另一个措施来“提升对遗留代码所产生负面影响的认知”。与此同时，我们理解这些只是这个持续改进周期里的措施，之后我们将继续工作在这个改进话题上。
在这个例子中，我们从一个改进话题和一个措施开始，然后转向学习相关的LeSS实验以获取启发。我们看到了之前没有看到的变量和动态；我们学到了之前没有想到的影响方式。然而，我们也可以从LeSS实验出发，并思考它们试图影响的但还没进入我们视野的问题。这就像是，我们在系统模型提供的舞台上摇摆于我们的问题和LeSS实验之间。
结束语
LeSS导入的这条路走得人少，但它却在LeSS的源头。当我们看那些发布的LeSS案例，它们大多数都是LeSS框架的导入。事实上，我期望看到更多没有采用框架的LeSS导入案例。
：堆 heap)
