扎克伯克的裁员信 今天，我们不讨论裁员这件事本身，只说说扎克伯克的裁员信。裁员信公开发在 Meta 官网，我建议大家读一下，里面有一些有意思的内容。大部分的裁员信，都是假惺惺的例行公事，"由于市场形势的变化，我们不得不做出一个艰难的决定......"。但是，这封信不一样。扎克伯克详细解释了，他对公司管理的想法，以及下一步的打算。如果你想了解硅谷巨头的内部情况，这封信可以提供不少信息。一、 裁员提升了效率：低优先级项目的间接成本首先，他直言不讳地说，上一次裁员的效果很好， 公司效率提高了。"自从我们去年裁员以来，一个令人惊讶的结果是许多事情进展得更快了。回想起来，我低估了优先级较低的项目的间接成本。"为什么员工少了，项目反而进展快了？扎克伯格的解释是，裁员使得公司大量取消低优先级的项目，集中资源到最重要的事情上面。下面这段话，我认为非常精彩："人们很容易认为，只要一个项目产生的价值超过其直接成本，它就是正收益的。但是，任何项目都需要一个主管，我们要么提拔一个工程师，要么从另一个项目挑选一个人，让其负责该项目。这两种情况都分散了人才，并且创造出了更多的管理层。如果项目继续发展，整个团队也许分散到多个楼层或多个办公室，这让沟通变得更加困难。我们还需要为项目配备更多的笔记本电脑和其他资源，这些更多的工程师还会导致雇佣更多的 IT 人员、HR 人员和招聘人员。随着团队越来越大，效率不断降低，反应变迟钝了。它也许会与另一个团队的工作重叠，或者本应使用现有基础架构时却构建了一个定制系统。总之，那些低优先级项目对公司重要性不大，却带来复杂的间接成本，很容易低估它们。"他的结论就是，必须进一步取消不重要的项目，精简组织，继续裁员不可避免。二、 效率低下的两大原因：管理层级与团队规模接着，他又说，效率低下还有两个重要原因：管理层级太多，团队太大。1. 减少管理层级，推行扁平化组织为了提高效率，必须减少管理层级。"众所周知，公司结构每增加一层，都会增加信息成本、决策延迟和风险规避，因为每层的经理向上一级发送请求时，通常都会减少一些可能导致风险的设计。"减少管理层以后，多出来的管理人员必须加入项目开发："我们强制要求，大部分项目主管都必须同时是项目贡献者，并且团队内每个人都可以向上报告到每一个层级。"2. 避免大团队，控制团队规模尽量避免大团队，产品团队最好不超过10人。"一般来说，我们不希望经理拥有超过10名直接下属。"为了把团队变小，就需要剔除团队里面的非技术人员："很多团队聘请了许多工程以外领域的专家。这有助于构建更好的产品，但必须确保我们的公司的主要人员仍然是技术人员。""我们会将产品团队主要聚焦在工程方面，其他领域的一些人员会被解雇，并且避免产品团队被来自其他团队的大量交互请求所淹没。"三、 总结与展望总之，扎克伯格明白说了，Meta 接下来要做三件事——砍掉低优先级项目、减少管理层级、缩小团队——都会产生多余人员，所以需要进一步裁员。我估计，其他互联网公司也会跟进，同样去做这三件事，所以行业裁员大概还会持续一段时间，就业形势可能要到今年下半年才会有所好转。本文转载

批量调整勤哲Excel服务器图片附件尺寸 批量调整勤哲 Excel 服务器图片附件尺寸问题背景：服务器存储的“顽疾”这是一个长期存在的痛点。勤哲服务器极其不稳定，且对附件大小有限制，但限制效果微乎其微。由于产线员工随手拍摄的照片分辨率极高，导致大量大图直接存入数据库：单张图片体积可达 14MB；一张问题单若上传 8 张图，体积常达 30MB；大量此类数据堆积，导致服务器数据库不堪重负。如果文件存在本地文件夹内，使用工具批量调整尚且容易，但由于图片直接存储在数据库中，处理起来非常棘手。第一步：查看附件体积可以通过以下 SQL 语句，自行查询数据库中附件的具体体积情况：SELECT c.FullName AS 详细路径, a.ObjName AS 模板名称, ROUND( ISNULL( DATALENGTH(dbo.ES_CasePic.img) / 1048576.0, 0 ), 2 ) AS 附件大小MB FROM dbo.ES_Bo AS a LEFT OUTER JOIN dbo.ES_V_TmpClass AS c ON a.ClassId = c.ClassId LEFT OUTER JOIN dbo.ES_Tmp AS t ON a.ObjId = t.objId INNER JOIN dbo.ES_RepCase ON dbo.ES_RepCase.RtId = t.RtId INNER JOIN dbo.ES_CasePic ON dbo.ES_CasePic.RcId = dbo.ES_RepCase.rcId WHERE dbo.ES_CasePic.NFSFolder = '' ORDER BY 附件大小MB DESC;第二步：解决方案（Python 脚本）借助 AI 编写了一个 Python 脚本，用于批量调整图片分辨率。处理效果：数据库图片附件表单： 从 16.41GB 降至 1.45GB（直接减掉 15GB）；整个数据库体积： 从 51GB 显著降低至 33GB；压缩后体积： 从 20.4GB 降至 5.96GB。注意事项与执行建议代码说明： Python 代码由 AI 生成，已在生产数据库执行验证，无异常。若不清楚代码逻辑，请自行咨询 AI。环境兼容性： 是否能在其他服务器上成功执行，取决于你的具体运行环境。核心提醒： 执行前请务必做好备份工作！ 作者不对执行脚本带来的任何后果承担责任。资源下载隐藏内容，请前往内页查看详情

多数人做不到的道德，都是伪道德 孔夫子教育子贡：一切多数人做不到的道德，都是伪道德；一切伪道德，都是恶道德。伪道德之于家国百姓不仅无益，反而伤天害理，祸国殃民，贻害无穷。“孔夫子有一个得意弟子名叫子贡，他就是当今儒商的鼻祖。子贡善于经商，家产百万贯，富可敌国。当时鲁国有一条律法，规定：凡是鲁国人在国外沦为奴隶的，如果有人能把他们赎出来，那么可以到国库中报销赎金。”“子贡竟然这么有钱，富可敌国，还是儒商的鼻祖！”妖女若男没有系统地读过书，她只知道孔子有个弟子叫子贡，却不知道子贡竟富有至此。“有一天，子贡在国外遇到了一个做奴隶的鲁国人，便花钱将他赎了下来，让他恢复自由。等子贡回到鲁国后，拒绝收下国库的报销金，表示自己有钱，可以自行承担这笔赎金，让国库里的钱留着多解救一个在外为奴的鲁国人。”李姝讲到这里停了一下，看向妖女若男，轻声询问道：“若男姑娘，你觉得子贡的这一做法怎么样？”妖女若男毫不犹豫地大加赞赏，连连夸奖：“子贡不愧是孔圣人的得意门生，得了真传！他真是个高尚、大方无私的正人君子，所有人都应该向他学习这种乐于助人、不图回报的高尚精神！”听了评价，朱平安的嘴角又扯得厉害了。喂，朱平安你什么意思？！妖女若男瞪了朱平安一眼，心想这个男人真是色迷心窍，忘了他自己是个寒门出身。近朱者赤，近李煮黑！她对朱平安用力地哼了一声，表示鄙视。“若男姑娘还真是一片稚子赤诚之心。”李姝微微一笑，轻声说道。“一片稚子赤诚之心？！意思是说我幼稚喽？！”妖女若男品味出言外之意，顿时不服了，挑眉扬声道：“少夫人，这话是什么意思？难道说子贡做好事反而做错了？！人家用自己的钱做好事还不求报销，难道不是道德模范吗？！如果此人此行都算错，那世上就没有好人了！”李姝微微一笑：“若男姑娘稍安勿躁。当时子贡赎人，拒绝国库报销金，自担赎金负累后，周围人交口称赞，称赞他道德高尚、慷慨大方、是国之大善人……”“对嘛，这才是正常人的反应！不像某些人啊为富不仁……”妖女若男立马接声道。“很快，孔夫子听说了子贡的所作所为后，情绪激动地找到了子贡……”李姝接着往下讲。“呵，肯定是孔夫人老怀大慰，激动的夸奖子贡有他遗风，光耀师门。”妖女若男自顾自地说道。李姝摇了摇头，缓缓说道：“孔夫子找到了子贡，大骂子贡不止，骂子贡此举伤天害理，祸害了无数落难的鲁国同胞。”“啊？什么？！孔夫子他有病吧……”妖女若男吃惊地张大了嘴巴，愤慨痛斥。人家子贡出钱赎人、不求回报、替国家分担负担，无论怎么看都是十足的大好人，还是绝大多数人做不到的大好人，怎么孔夫子还骂得那么狠、那么难听？！骂他伤天害理、祸害同胞？！“孔夫子是不是觉得子贡抢了他的风头，抢了他圣人的殊荣？！害怕子贡名气大过他？！还真是小气啊！怪不得有这么多人背后偷着骂他虚伪迂腐，从这件事就能看出来，他简直道貌岸然、黑白不分、小肚鸡肠，不配为人师表……”妖女若男情绪激动不已，原先口中的“孔圣人”成了她口诛笔伐的对象。“若男姑娘，你误会孔夫子了。”李姝缓缓摇头。“我误会了？人家做好事惹他一顿臭骂，你说他是不是欠骂……”妖女若男兀自愤愤不平，继而警惕地看向李姝，“还是说少夫人欺负我读书少，故意编造了一个子虚乌有的故事唬我呢？”李姝一脸坦荡：“我骗你干嘛？这个故事是《吕氏春秋》中的记载。若男姑娘若是不信，我让琴儿去书房取来，你自个儿翻看便是。”“不用了，我相信少夫人。”妖女若男摆了摆手。她察言观色，从李姝的表情中看得出来，对方没有骗她。另外，刚才受挫的经历让她不想再经历一次打脸。“少夫人说我误会，我哪里误会姓孔的了？人家好心做好事，他凭什么骂人家伤天害理？！”妖女若男继续追问。“孔夫子骂了一顿子贡后，痛心疾首地教育他，说圣人所做的事情，应当是能够移风易俗、教导百姓的行为，而非仅限于个人的行为。”“鲁国原先的律例规定，所求的是人民心中的‘道德’：只要大家看到落难同胞能生出恻隐之心并花钱赎回，就完成了一件义举。事后国家会给予补偿和奖励，让行善者不致受损，并得到赞扬。长此以往，愿意做善事的人就会越来越多。”“你子贡赎人不领补偿，固然赢得了更多赞扬，但也拔高了大家对‘道德’的要求。有你这么一件事在先，往后那些赎回同胞并向国家领取奖励的人，可能不仅得不到称赞，甚至还会被国人嘲笑、讥讽和唾弃。人们会质问他们：为什么不能像子贡那样不领补偿、为国减轻负担呢？！”“所以，长此以往，人们就会对落难的同胞视而不见，不愿意再解救他们了。因为人们不像你子贡这样有钱，如果赎人后去报销反而会被嘲笑和唾弃，那就只好视而不见了。所以说，你子贡比举伤无享理，祸害了无数落难的各国同胞啊。”

Epson R-D1,爱普生旁轴相机 Epson R-D1, 爱普生旁轴相机妹子总是迟到，所以最近都不拍妹子了。周六也没有公交车回去，所以每周六下午都去扫街。找了朋友借了台相机，这台相机绝大多数都没见过的——爱普生的 R-D1。初代发布于 2005 年，到今年刚好 20 岁了。相机参数与特性对焦/取景： 手动对焦，基线没莱卡长，小屏幕，没即时取景性能/存储： CCD，没有连拍，内存卡最大支持 2GB续航/像素： 耗电量巨大（一节电池约拍 100 张），需要随身带多张卡、多节电池；600 万像素使用体验咸鱼售价大约 1W。好容易收到快递了，上弦按不下快门，也不知道哪里的问题。放了几个钟，又自己好了！

大数据已死 大数据已死"大数据"这个词，大家想必耳熟能详。这是最大众化的 IT 词汇之一，全社会曾经都热衷于它。百度指数显示，"大数据"从2011年开始进入搜索引擎，然后快速传播，在2017年～2019年之间达到顶峰。那时，大家都认为，数据在未来将指数式增长，世界将被海量数据淹没。如何处理这些数据，就成为了关键问题。它决定了一个企业甚至一个国家在信息时代的竞争力。于是，企业纷纷寻求大数据解决方案，出现了很多相关的招聘岗位，还都是高薪。高校也积极响应，有报道称，国内有600多所高校开设了"大数据专业"或"大数据学院"，其中包括北京大学、复旦大学这样的名校。但是，十年过去了，大数据并没有成为发展的瓶颈，我们依然足以处理产生的所有数据，在可预见的将来也是如此。预言中的大数据时代，看上去不仅没有来临，反而变得遥遥无期了。"大数据"这个词的热度，也在不断降温，被提及次数变少了，招聘岗位也慢慢不见了。与之相应的是，"大数据"这个技术领域，也进展甚微，没有诞生新的概念和理论，技术没有突破，很多方向都停滞不前。比如，专为处理大数据而设计的 NoSQL 数据库，声势越来越小，陷入停滞，反而是传统的关系型数据库（SQLite、Postgres、MySQL）强劲增长，越发受欢迎。这是怎么回事？谷歌的大数据工程师乔丹·蒂加尼 （Jordan Tigani），最近直言不讳地说："大数据已死"。他认为，大数据时代已经结束了，大数据的存储和分析，作为一个技术问题已经解决了。用户已经不必担心数据大小了，再多的数据都不是问题。他提出了"大数据已死"的6个理由，我觉得很有说服力，下面就跟大家分享。1. 绝大多数企业到不了大数据级别企业的数据量往往不到 1TB，很多甚至不到 100GB。假设一家中等规模的制造业公司，拥有1000个客户，每个客户每天产生一个订单，每个订单包含100个产品。这家公司一天产生的数据量，依然远远小于 1 MB。三年后，数据总量也只有 1 GB，达到 1 TB 需要几千年。就算是大型互联网公司，大多数时候也到不了大数据级别。假设某个营销活动有100万用户参加，并且同一时间，该公司开展了几十个这样的营销活动，每天的数据量依然不足 1 GB，就算加上各种日志，可能也只有几个 GB，这跟大数据相差甚远。2. 存储和计算正在分离大数据包含"数据存储"和"数据计算"两个方面，如果放在一个系统里面处理，确实很难。但是，这两方面现在已经能够脱钩，变成两个独立系统，各自都能独立扩展。这意味着，"数据计算"不受"数据存储"（数据库大小）的限制，反之依然。因此，大数据作为单一问题就不存在了，变成了海量存储和大型计算两个问题。3. 数据是线性增长的没有新业务的情况下，数据是线性增长的，即每天的新增数据与以前的数据结构相同。以前的数据一旦写入数据库，通常就不再发生变化，也没有新的计算需求，相关计算在以前就完成了。这时只要对最近的新增数据进行单独计算，然后保存就可以了。你很少需要每天扫描一遍旧数据：那些数据一成不变，为什么要一遍一遍计算它们呢？因此，对于一家企业来说，"数据会指数式增长"这个假设并不成立。而且，数据计算的需求，其实比数据存储的需求小得多，因为老数据很少需要再次计算。4. 人们看重的往往只是最近的数据最频繁的查询是针对24小时内产生的数据，一周前的数据的查询可能性要低20倍，一个月前的历史数据只会偶尔被查询。这意味着，大数据更像静态数据，而不完全是动态数据。既然以前的数据很少用到，那么就可以压缩保存。一个包含10年数据的表格，可能会达到 PB 级别，但是如果压缩保存历史数据，压缩后可能不到 50 GB。5. 真正拥有大数据的公司，几乎从不查询全部数据他们90%的查询涉及的数据少于 100 MB，涉及 TB 级别数据的查询非常少。就算查询 TB 级别数据，查询性能的优先级往往并不高。等一个周末或几天才拿到结果，通常是可以接受的。另外，大型数据集的查询非常昂贵。谷歌的 BigQuery 的 PB 级别查询报价是 5,000 美元，即使是大公司也不会经常使用。6. 硬件的飞速发展使得单机计算能力大增2004年，谷歌发表 MapReduce 论文时，单机的计算能力还比较弱，很多计算必须通过分布式完成。2006年，AWS 推出了 EC2 云主机，你只能用到一个单核 CPU 和 2 GB 内存。今天，AWS 的标准实例具有64个内核和 256 GB 内存。如果愿意多花钱，还可以拿到445个内核和超过 24 TB 内存。单机计算能力大大增强，意味着大数据的最大难点——分布式计算——即使被用到，困难程度也大大降低。综上所述，结论就是：数据量已经不需要特别关注了，再也不必担心处理不了海量数据了。大数据作为一个技术问题，已经解决了。转载

电影院偷票房 电影院偷票房很久没看过电影了，不喜欢跟风随大流，什么越火我越是不看。关于观影体验公司楼下就有一家电影院，看的《美国队长》。为啥总喜欢看外国片子？还是不是外国片子里面死的都是外国人，砸的都是国会白宫啥的？这片子太牵强，美国总统变成巨人当街打飞机，给6.3分吧。都去看热闹片子了，这片子看的人少，大概五个人左右。电影院这些按摩椅坐的真他妈不舒服，凡是好位置全都是这些按摩椅，操蛋。关于“偷票房”现象再说下面这两张电影票，以前总听说偷票房，现在算是知道了：实际收费：45元票面金额：30元问题所在：这个对账时，就只会对30元。在我质疑后，给我换票了，写的45。