规则如此，好像也做到了提前告知
你应该顺便问一下停机如何收费，如果费用不高可以激活完成顺便停机，到次月 1 日复机

另外，好像也跟小县城没关系，大城市也这样
不满规则可以向上投诉

前端开发是服务业，客户体验是优先项
如果客户绝大部分是 macos/ios ，用 mac 开发很正常
但如果客户绝大部分是非 macos/ios ，用 mac 开发如何调试不兼容问题？忽略不考虑么？

这个其实不是技术问题，而是经济学问题，适应市场还是适应自己
都 4202 年了，技术人员还在紧守一亩三分地

非蠢即坏！我怎么更觉得对方是存心的？他好像就想找茬，裁你是本来就看你不顺眼？
其实安排工作时我就会直接问：都要走了还安排工作么？

这种情况更应该留字，不用多想了，无论如何背调都不会有好话了，完全不是影响不影响的事，除非背调时没遇到这位“领导”

有部韩剧叫《猪猡之王》，有句台词：“他们出生就是让人喜欢的狗，我们出生就是任人宰割的猪，注定是打不过的”

“硬盘经常断电通电对它寿命有影响”
不知道这句话是怎么传的，我觉得原话应该是 “硬盘突然断电通电对它寿命有影响”

用电脑 30 年，跟你说，正常通断电，直到电脑坏了，硬盘都还没坏。但是如果是电脑能稍微跟上时代的人，在电脑坏了之前，硬盘不够用了，占 90%的概率

卖的是内容、软件、实物、服务，性质是不同的，并非通过互联网盈利都叫“有偿提供信息”
例如通过互联网收款，上门提供清洁服务的，跟 ICP 没关系，至少我是这样理解的

那 jd 网站为什么要有 ICP ，你看看发票和 jd 网站底栏，两者的经营主体有什么区别就知道了。如果货品出了问题，不是起诉 jd 网站，而是发票上的那个，但网站相关的服务问题，则是 jd 网站，例如虚假宣传。
题外：jd plus 会员的经营主体是哪个我至今还没搞清楚，理应是 jd 网站，不会是 jd 金融吧

如果指向一个卷(就是 Mount)，会影响，认不到新硬盘，需要重建；但如果仅仅是换位置，就是槽 1 换到槽 2 ，不影响
junction 应该不影响，我换过多次硬盘，junction 仍然有效
软链我很少用，因为要提权才能建，所以我基本用 juction 代替软链指向目录，记忆中以前试过软链文件(硬盘变了但绝对路径没变)不影响，但这个记忆不能确定

windows 的 "Distributed Link Tracking Client" 服务对开机挂载的设备链接有影响
这样说，假设有一个 usb 外接硬盘，在进入 windows 就插上，和进入 windows 后才插上，这个服务对它相关的映射链接的追踪处理方式不同

tg

这是语文题

我的话，如果是好大喜功的领导，当没看见，改对了也会被骂，没必要
如果是务实的领导，注释掉但不删除，更改，并写下更改时间和更改人的注释，表明自己负责更改的部分

世纪初帮一家公司做了五年的销售数据统计和之后推销方向建议，放现在叫推荐算法？算了，没那么大的帽子，就是交叉分析+一个近邻分类而已
占我当年个人总资产约 50%，现在含其后增值也占 30%左右

小时候我是想不通松江为何能做 CEO ，长大后明白了

@LavaC #28
人脑记忆总是有限的，就算看过的东西也很难全部融汇贯通
说几个例子
qt 文档，QtCore/QtGui/QtWidgets 这三部分我至少看过 50%，但能搞清的也就 20~30%（文档是 C++，我写的是 pyqt ），gpt3.5 至少帮我搞清了一些读过但不会用的部分，现在能搞清的增加到 35%吧
一直想写个 pandas tree 的控件，写不出来，网上也没搜到，pandas table 倒是有的，但 tree 就复杂了很多，最后就是在 AI 帮助下写出来了，也实际用上了，虽然不是 AI 直接写出来的代码，但它帮我打开了思路，就是利用 pandas 的 MultiIndex 。因为之前一直在 groupby 思路转圈走不出来，但 groupby 实际上跟 MultiIndex 是一样的性质-->groupby(as_index=False)就是 MultiIndex 。还有就是不太熟 MVC ，对 model 用法有很多搞不清，这方面基本上全是依靠 AI 讲解

pandas 也是巨多方法不会用
python 原生有个方法 itertools.groupby
# [k for k, g in groupby('AAAABBBCCDAABBB')] --> A B C D A B
# [list(g) for k, g in groupby('AAAABBBCCD')] --> AAAA BBB CC D
就是按相同值分段
我一直想把它在 pandas 实现，因为个人需求很大，很多地方要用到，自己写了倒是能做出来，就是百万数据很慢，优化多次都不理想，搜 so 别人写的也是 itertools.groupby 类似思路
让 AI 帮忙实现，晕倒，简单得很
df[groupname] = (df[col]!=df[col].shift(1)).cumsum()，因为是向量化的，速度很快
就是因为自己不熟 cumsum 函数的实用意义，cumsum 一直固守理解在“求和”上，思维宽度一下子打开了
同理，mask.sum() 就是条件统计，看上去是“求和”，实际是计数器，统计上很常用

numba 文档也是异常难读，一直不敢碰，但 AI 帮我写了几个后，自己也能写一些简单实用的了，尤其数据量上百万时，比“手动”向量化快

如果问答社区，简单问题开始减少，那就说明 AI 起作用了

现在我遇到的问题：
1.复杂的问题，AI 的回答只能作为启发性，就是看看有没有自己想不到的思路，不应直接作为解决方案
2.AI 给的程序如果出错了，不要再让 AI 自行纠错，它在这方面很弱智，要么在几个错误答案中循环回答，要么只是顺着你的话说点好听的，但是继续原来的错误
3.当预想方案有多个且不容易确定，不要让 AI 帮你选择，它的回答多是和稀泥，不会给一个“最佳”选择

目前感受最佳是解释参数的实用意义，自己看文档（尤其不了解内部算法的情况），往往搞不清参数该用什么，AI 对参数的选择范围，大小对结果的影响，能解释得比较清楚

特烦这货，后新冠时期隔三岔五发短信来，说什么贷款在小程序已批，但接收的那个号码根本就跟微信和财务毫无关系，典型诈骗手法