卧槽，标题居然能那么长..............................=====>>>

虽然我对这价位的车，不太熟悉，但看了一下，都是小轿车。

我建议加 2 万块钱上 SUV，空间大，出去旅游是真的舒服。

小车跑长途旅游太难受，太累了。

家里有关系或不缺钱，当然去事业单位，天天放假养老不香吗？每个月一两趟天南地北的旅游不香吗？这才是享受人生啊。而且这种环境下的人，都比较善意。

缺钱才去工资高的企业，说白了就是拿时间与自由换钱，这种职场如战场，不会太开心。

我最烦这种一行代码包含多个操作的做法，不易读，也不利于调试，而且，连自己也被坑了。

这个问题的本质是，题主你被别人坑了，所以你要去坑别人。

站在大环境的角度来看，题主这做法不对，会带坏整个环境风气。

站在题主个人的角度来看，这做法并不违背法律法规，而且快意恩仇能让自己开心。

所以，不赞成，也不批评。

但我是题主，我不会选择报仇，也不会选择一个懂技术的领导，而是会选择一个支持我的领导。

硬件性能每 18 个月性能提高一倍？？？？？？

别的不说，CPU 性能，楼主关注过？

@beryl

你这种状态比较危险。

第一，看你的描述，你上跳微软并没有百分百把握。

第二，你上跳还需要挪用一部分现有工作时间拿来充电，容易导致现有工作炸雷。

第三，如果你赌输了，不仅上跳没成功，现有工作也丢了，由于家里没矿，导致家里没法帮你兜底。

稳妥一些的话，建议这样做：

1.和上级领导说，身体抱恙，希望以后能减少工作量。作为交换，你愿意适当降低工资与奖金。

2.如果上级不答应，就去找个低薪且轻松的工作，为你充电留足时间。

3.做好心理准备，因为可能出现上跳失败且保不住当前工作或当前薪水的后果。

flash web 的时代，网页上能直接做 3D 机器人对战。

家里有矿有背景 + 自己有实力，那就随便自己的兴趣去选择，但要注意，这种情况下，去大厂不一定是最优解。

家里没矿没背景，但自己有实力，能随意跳槽，那么这种麻烦且没太大提升的审核系统，就拒绝掉。大不了在跳槽前，再跳一次小厂。

家里没矿没背景，自己又没实力，估计你也不敢跳大厂了。这一条你应该不符合。但我还是说说，这种情况，审核系统先接着，如果心理上不舒服，可以在认真做好当前工作的情况下，同时去找下家。下家如果问到你这事，你要回答 3 点：

1.审核系统不是你抛弃不管，而是你的原上级，给你强行安排了，不是你研究方向的任务。

2.你接到任务后，并没有消极对待。

3.离职时，你很好地完成了交接。

dump 调试是想干嘛？觉得人生太漫长？直接源码+条件断点+日志来调试不行吗？

结巴分词有 2 个问题：

1.不支持新词。如果比较重要的话，可以后期人工再过滤一遍。

2.python 程序性能差，对多核支持不行。建议根据核数，开对应数量的 python 程序，然后用负载均衡的通信框架进行负载均衡地 rpc 。

1.统计一个路径下，所有文件的总容量，是一件会给存储设备造成巨大负载的操作。这事连谷歌都没办法做好，谷歌的系统是实时统计，但会卡很久很久。

2.建议用 redis 做加法，也就是存一个文件，就让 [已用容量 += 新文件尺寸] 。

3.做存储，要考虑很多东西，其中比较重要的是，备份与校验。

备份我就不提了，大家都懂。

校验的话，本地在把文件进行上传之前，就要先对文件做一次 hash，上传时，把 hash 也要上传。然后服务器在存取文件时，就可以用这个 hash 值来作为文件校验。

非常简单啊，3 步骤：
1.定义一个分隔符号字符串。
2.文件名不允许使用分隔符号。
3.最终文件名等于当前父路径 + 文件名。

忘了答题。对于全栈工程师来说，难免会遇到需要处理与分析大量数据的场景，如果有时间，建议学习。

目前的机器学习与人工智能，并不是字面意思。

它的本质仍然还是基于数据的挖掘、统计与分析，拿来应用时，正确度只是个概率问题，达不到百分之百。另外目前的神经网络模型只是基于猜测而已。但是，并不是说它不好。很多场景，比如天气预报、自带歧义的自然语言处理，以及一些并不完全正确且知道处理方案的问题，仍然能用这套东西来代替手工计算进行提速以及提高正确度。

举个简单的例子，目前你有 3 条历史天气数据：
数据 1：2000 年 8 月 10 日，温度 22°，阴，小雨。
数据 2：2000 年 8 月 11 日，温度 24°，阴，大雨。
数据 3：2000 年 8 月 12 日，温度 32°，晴，不下雨。

那么，假设今天是 2020 年 8 月 12 日，温度 35°，晴，如果用简单的相似度处理方案来看，基于上面 3 条数据，能猜出，明天中小概率不下雨。
但如果今天是温度 21°，阴，那么基于上面的数据，能猜出，明天会大概率会下雨。

现在科学家正在找各种算法与数据处理模型，提高从历史数据到真实预测的准确度。

再举个例子：
如果你有一本字典数据，以及很多新闻文章的素材，现在，尝试断句：

1.我们中出了个叛徒
2.杭州市长春药店
3.工信处女干事每月经过下属科室都要亲口交代 24 口交换机等技术性器件的安装工作

断句后，应该能比较正经地得出：
1.我们中 /出了个叛徒
2.杭州市 /长春药店
3.工信处 /女干事 /每月 /经过下属科室都要亲口 /交代 /24 口交换机 /等技术性 /器件的安装工作

但是，如果你把正经的新闻文章，换成祖安网友们的聊天数据，估计上面的断句又会是另一种风景了。

最后，如果你买的车，其智能系统是基于这玩意的，建议买足保险，不仅是三责险要买满，你自己的保险也要买满。

调试。

我觉得，你的问题在于，自己的知识水平，是一个急需扫盲的阶段，却又想着做一些博学家阶段才能做的事情。

比如你说，索引用了 2 天，搜索一次 20 分钟没结果，问题是，索引与搜索阶段，你有没有分析过设备负载？甚至给开源产品直接调试做性能分析？

你这种情况，最实际的就是，直接把需求，外包给公司，花钱让别人帮你做。