10-15w ，也还行吧，要求不算过分

@levizheng 心疼你 hhhh ，这时候你其实没必要跟他过多的讨论

广东地区

1. 祭拜祖先、去世多年的人、神灵等，筷子不是插碗上的，是斜搭在碗上（筷子一头在碗边，另一头在桌面，配合圆顶饭的摩擦力，使得筷子不会掉下来），表达的含义是邀请他们；

2. 筷子插碗上的是刚去世的场景，这时候死者还没下葬，会在脚边的米饭上插筷子，表达的含义是送他们上路；

3. 我是唯物主义者，但我也遵循这个民俗，一方面是尊重传统的祭祀，另一方面是看到这个场景会回想起小时候的场景，这会让人难过；

4. 长辈责骂年轻人这个行为，而年轻人觉得这个行为没什么，是因为没有体验过完整的丧葬流程，我觉得如果体验过这个流程，他们可能也就理解长辈了，因为这会让他们回想起亲人离去的场景。

首页之前是我做的，我来猜测分析一下为什么会有这个现象。

最初商家投广告，人群定向触达到了一些用户，然后这批用户是这个 IP （应该叫 IP 吧？我对这个商品不是很了解）的粉丝，于是在他们的圈子里传播，而这个圈子里的人，大概率也是被广告定向的用户，于是他们打卡 APP 也看到了这个商品，然后点击进去确认，这个商品的点击率就开始被拉高了。

随着越来越多的人加入这个传播，不断地通过微信分享，新加入的用户（这时候已经逐渐扩散到圈子外的用户了）打开 APP 后如果看到这个商品，那么就大概率会点击进去，于是商品的点击率和曝光量都上去了。

至此，这个商品完成了从小圈子到 top 热门身份的转变，因为有大量曝光产生了大量的点击，于是推荐系统开始把这个商品放到最前面（尽管转化率很低，但这是一个引擎上的策略）；

于是，你现在不管看没看到微信的图片，都有比较高的概率看到这个商品。

所以商家通过一个偶然的事件，花一万块白赚了全站量级的推送哈哈哈哈哈

没啥可比性，无论是从职业成长、薪酬待遇、城市发展各个角度上看都建议 PDD ，虽然 PDD 有很多问题，比如人文关怀等，这些问题对于刚毕业的同学来说不是什么大问题

已 fork ，后面看看有没有能帮上忙的 🫡

我猜你的老师在北方读的大学吧，然后就顺带一些北方的口音了。我有很多白话中没有的词用的是东北口音，因为这些词我是上大学才学的，那么发音就会跟随当地的口音

如果你不想引入 docker ，那么可以考虑 MariaDB4j ，这个就是嵌入式 mariaDB ，专用于单元测试；

如果你允许使用 docker （比如你是在 github action 等持续集成环境下），那么你可以直接添加一个 maria 容器；或者使用前面楼提到的 testcontainers

你这个情况跟十年前的我是一样的 C9 本&大厂 offer ，但又略有不同。14 年在深度学习还没火的时候我已经捣鼓两年了，秋招的时候拿了个 offer ，我问我的老师是否建议读研，他的回复是时机一旦错过就很难有机会上车，读研后面想读的话有的是机会，于是把我踢出学校了。这个决策目前来看确实是当时最优的选择，从 18 年后同班同学想上车比我那时候困难多了，而 18 年我已经有了三年工业经验可以进一步往下走。

所以这三年的收益并不是多赚或少赚三年钱的问题，而是车票的问题，而这张车票的代价是研究生学历，这对于国企而言是有用的，对于人才引进而言没有特别大的区别（我是通过纳税路线走的人才引进）。至于所谓的技术护城河或者方向感兴趣其实影响也不大，我毕业后公司先把我扔后端组了，半年后公司组建一个算法团队，我申请转过去，然后就一直做算法了，这十年来技术都是靠自学的，其实只要你走上计算机这条路，技术都得靠自学，无论你读不读研都一样，期望通过研究生学历获取技术护城河是不现实的想法。

那么我的建议是啥呢？我没法直接给出一个答案，这取决于你的性格：如果你的性格是比较有想法，或者说自我驱动能力比较强，并且具备一定的冒险精神，那么出去工作可能会更适合，风险小一些但累很多（这里我所说的风险是指就业风险，累是指为了降低失业风险需要比另一条路付出更多的时间）。如果你的性格是比较平稳的，喜欢按部就班，那么继续读研会好一些（其实更建议读博）

最后怎么做决策呢？你的分析已经列出来一些点了，但还不够量化，比如两条路线，你的收益是什么，获取这些收益的期望值（概率*收益，可量化的值）是多少，风险是什么，风险触发时的期望损失是多少，以及最重要的一个问题，两条路线最坏的结果事什么？当你选择了某个路线之后，最坏的情况发生了，你能否接受这个最坏的结果。想清楚这些问题后你估计就有自己的答案了。

最后说一点，不要过于关注几年的金钱收益，做人生的规划需要考虑更长远的事，即你的选择是否符合你的性格，你所做的事是否是你热爱的事，只有发自内心的热爱才能让你坚持下去。

我一般跟 vp 都是聊抽象，技术细节之类的一般在一面二面就聊完了，跟 vp 也聊不了什么技术细节，更多的是聊你对过去项目上的一些思考，举个例子，为什么要做这个选型，为什么不用另外的选型，用这个选型有什么好处，相应地又会引入什么缺点，如果从更长远地看（系统稳定性、平台生态、人力资源等），是否存在更好的方案，而为了实施这个方案，需要投入什么，这些投入是否能带来划得来的回报，怎么度量这些回报，blah blah ，总而言之，技术细节在 vp 面没什么用，有用的是系统性的抽象思考

20 薪这个说是 70% 人能拿满，但我体验上拿满的不多，今年的是 19 ，但身边好几个都拿不到（也可能是个例问题，但我觉得拿不到的那几个人工作量其实都还可以）；

另外这里的裁员挺突然的，经常时不时就一两个同事不见了，而不见的那些同事中有几个之前跟我有合作过，感觉做事都比较靠谱，也比较踏实，我想了十天十夜都想不明白为啥会裁踏实干活的人；

哦还有这里会裁应届生，差评；

@suiterchik 噢这里还有个问题，乘除的优先级比加法高，所以你还需要把 x1, x2, .., x5 构建出 ast ，然后再解析成正确的表达式，否则会出现 1 + 2 x 3 = 9 的错误

@suiterchik answer 变量初始化应该是 answer = x1 ，敲少了个字母

如果不需要支持括号优先级的话应该还好？初始化一个随机的数值 x1 ，并创建一个 answer 变量 answer = 1

然后从加减乘除中随机选一个操作

* 如果是加法，则下个数字 x2 的取值范围是 [0, 99999 - answer] 中随机取一个整数，确保 answer + x2 < 99999 ，如果找不到则这一步步采用加法；

* 如果是减法，则下个数字 x2 的取值范围是 [0, answer] 中随机取一个数，确保 answer - x2 > 0 ，如果找不到则这一步不采用减法；

* 如果是乘法，则下个数字 x2 的取值范围是 [0, 99999 / answer], 随机取一个整数，确保 answer * x2 < 99999 ，如果找不到则这一步不采用乘法；

* 如果是除法，则计算 answer 的公约数，然后从公约数列表 [y1, y2, y3...] 中任取 k 个乘起来作为 x2 ，确保 answer / x2 为整数，如果 answer 为素数则这一步不采用除法

然后根据你这步采用哪个 op ，以及对应的数值，更新 answer 变量，进入下一个数字 x3 的操作，x3 的选取与 x2 的逻辑一样，重复直到 x5 选取完毕

要是我选的话我选携程，活下来才有 DPS 。OTA 这块未来很长一段时间内都很难有竞争对手，别的不说，单说各大连锁酒店，携程是他们的大股东，另外携程办公楼的地皮都是携程的，财报上有一项租金收入，意味着携程某种程度上是地主。当然了携程的钱也比较少，但现在这个环境我觉得稳定苟几年，把自己的技术水平提上去才是第一优先级，另外两家的稳定性我感觉不是很好。

当然了以上都是我个人的看法，因为对你的情况也不是非常了解，所以最终决定还是得看你的想法

按照我多年的招人经验以及身边的同事分布，排除 C9 的话，则华科、北航这两所分数差不多的大概率也上不了；那么剩下的学校就是北邮、南开、天大、成电这几所了，再往后就是西电、大连理工、华南理工这几所，同济我好像还没遇到过，不过这也是身边统计学，不一定靠谱。

这几所里面，如果以后不考虑走体制路线的话，北邮可能会好一些，尽管不是 985 但北邮在互联网公司里的分量也足够，而且有个好处是实习方便，现在招人其实更倾向于招有实习经验的学生；

如果想稳妥一点留一个进体制的后路，那么尽量选 985 的，这几所学校我可能更推荐天大和南开多一点

@haimianbihdata 哈哈哈哈啊哈大数据第一步，如何 shade 掉 guava