技术项目走向失败的五条“捷径”

思维捷径:大语言模型如何用“作弊码“完成数学题 在人工智能领域,语言模型展现出的数学推理能力始终笼罩着神秘面纱。复旦大学团队的最新研究揭示了一个惊人发现:当模型采用隐式推理时,其卓越表现竟源于对数据模式的"走捷径"式学习。这种如同心算高手般的推理方式,虽能在同类问题上快速作答,却会在变量位置变化时突然"死机"。研究团队通过构建定制化数学推理数据集,结合神经活动干预技术,首次绘制出语言模型内部的"思维路径图"。 阅读详情

技术项目的失败,屡见不鲜。不论你运营的是一个持续跟进一些项目的软件公司,还是一个需要顾问来为你提供系统集成的非技术公司,你都有可能遭遇这个问题。进度延期、预算疯涨、直至最后完全失败,这在软件世界非常普遍。事实上,一个项目延期数年,超支数百万,已经不是新鲜事了。

例如,在2003年,我飞去洛杉矶出席微软为软件开发者举办的其中一个会议。活动中,微软发表了激动人心的消息:下一个版本的windows将会带来一些革命性的新功能。回顾我的笔记,其中有一个新功能叫做WinFS。具体细节不讲,简单来说,WinFS建议将操作系统的文件系统功能(文件和文件夹的位置信息)和数据库功能(个人对文件的描述信息)合而为一,放进一个又大又邪恶的“文件数据库混合体”。

这是一个挺有野心的动作。从技术上来说,WinFS约等于重新安排一个国家的交通系统,以适应会飞的汽车。是的,这样会使航空公司停业。同样,所有车库也要变宽来适应带翼的车子。但先别想太远,还是让这功能在一年或最多两年内面世再说吧。

三年过去了。一个叫Quentin Clark的微软经理在博客里说道,WinFS根本不能准时面世,并且它阻碍了微软推出其最新的操作系统。因此这个功能要延期,或者放到以后版本的数据库上,这意味着没有了“将文件系统与数据库系统合而为一”这唯一的亮点。有鉴于此,你怎么知道你某个技术项目哪一天会注定成为另一个WinFS?这里我有五步指引来确证一个软件的失败:

错误一:采用平庸的开发团队

软件设计是有难度的,而且不幸的是,很多自称程序员的人确实不能胜任软件设计。尽管这是项目失败的首要原因,你也不曾从官方的失败报告中得知。在所有的行业,软件业,物流业,或者客服业,人们对同事的无能都太过宽容。你从来都不会听到有人说“我们团队没有足够的智慧来完成这件事”。为什么要这样伤人的心呢?显而易见的,如果这队分得了任务的人员并不擅长这份工作,他们的工作会日复一日,日复一日……等等……但软件却没有做出来。你也不用太担心HR会阻挠你招聘一班废物。在大多数的案例里,我向你保证,HR对此毫无建树。

错误二:按周来定目标

假设你想改造你的厨房。你请来的师傅已经搞过很多厨房,而且不作详细蓝图就能估算出这项工作的成本。但软件开发者是在制造前所未有的东西。如果前所已有,他卖张拷贝的光盘给你就行了。因此,粗略的估计是不可能的。他们需要在写代码之前做好详尽的计划。无论你是客户还是开发经理,你的责任就是确保开发人员带着详尽计划来开展工作。当你向开发人员询问计划时,他们大多数人可能只会给你一份把进度按周来划分的时间表。这看似非常合理,但其实不然。如果你让软件团队提交一份大粒度的时间表(大是指需要两天以上的工作),那么你可以认定他们没有考虑到所有需要实现的细节,而这些细节将会积累,导致延期。

错误三:为截止时间而谈判

还有什么比按周划分软件项目更糟糕?就是要求团队承诺大大地提早完成工作。根据我的经验,大多数开发者都会乐观地接受你的暗示并参与讨价还价。然后你会得到一份友好的协定时间表,但却无法按时执行。

试想以下情况:海象妈妈会在怀孕15到16个月后,生出小海象。你可能会叫海象妈妈保证在15个月内做到,而她也说没问题。或者你说,“15个月?疯了吧?我们要在8个月内生出”。当然,这样谈判是无法促进事成的,而且即使得到一份8个月的进度表,我还是告诉你一个小秘密:这是不可能实现的。你可以取得一份11个月的时间表,但你还是要等15个月,因为小海象就是要15个月才能出产,有时甚至16个月。

错误四:均分任务

这里有一个破坏项目的好方法。列出人们需要做的所有工作,然后给重新均分给各人。如果Mary有太多的工作,就分一些给John。这听起来完全合理,使得你不会被质疑。但我向你保证,时间一长肯定会出现问题。那是因为当一个开发者去替代另一个时,我们有理由假设效率降为十分之一。John将会花费无数小时去搞清楚Mary其实已经熟悉的那部分代码。而且John改bug也不及Mary快,因为Mary才了解所有的陷阱在哪里。

错误五:工作到深夜

让我们假设有个项目要每周工作40小时,连续六个月才能完成。如果你让所有人每周工作60小时,那么持续四个月就能完全搞定。软件团队可能甚至会接受这个挑战,因为这使他们看上去像英雄(那个海象队有多厉害?他们每个周末都来工作!)这能行的,是吧?再想想吧。有一部完整的文献论述了“加班不会使软件更快产出”。Edward Yourdon,作为软件企业家和该文献的作者,称这种项目为“死亡行军”。

软件开发者花费大量的脑力劳动。即使是最好的程序员,也很少有能坚持几小时以上的高强度脑力劳动。另外,他们还需要休息一下大脑。这就是为什么你好像总能撞到他们在上网或玩游戏。

强迫他们投入更长时间坐在电脑前,并不会转化为更多的产出——即使会,那都将是劣质的产品。当软件开发者的大脑完全发烧,他们几乎做错多过做对,写出无法使用的代码,或者引入大量的bug。而如果你真的禁止他们上网,玩多人游戏,强迫他们在正常的睡眠时间继续写代码,好吧,他们可能会开始离你而去。死亡行军不是造成项目延期和预算爆炸的唯一条件,但绝对是充分条件。

如果以上是使你项目失败的方法汇总,那么怎样做到万无一失呢?首先,你要招聘一个巨星级人马。在Fog Creek,对于一个全职岗位,我们倾向于审核大约400个候选人。因为最优秀的开发者拥有十倍于“一般优秀”的创造力。

其次,让开发者给出细粒度的时间预算。是的,让开发者去预估制作一个新应用需要花多长时间,是不容易的(文章1、文章2)。这就是为什么他们要在每个项目之前作出可靠的蓝图。

一旦你有时间表在手,不要尝试提前截止日期。如果项目不能在你能谅解的时间内完成,解决方法不应是去交涉一个“好听的”时间表,而应该是争取更多资源,或者推迟上线,或者拿掉一些功能。

当项目正在进行时,你会多次被诱导而想重新分配工作。但你要谨慎地重分配。所换的新人需要花不少时间去驾驭原作者的代码。我觉得让人员在不同岗位上轮换有助于消除不可替代性,但我是谨慎地安排这事,并且在时间表里加入额外的三周给新人以学习新代码,和额外的一周给旧人去教新人。

最后,鼓励你的员工按合理的工时,一周干40小时。我是说真的。除了偶尔为截止日期而冲刺,我们在Fog Creek都是一天8小时工作制。在技术的世界里,应该将一个大项目看成是一次马拉松,而非一次短跑。

转自:http://blog.jobbole.com/55447/

原文链接: Joel Spolsky

一个失败项目的总结 2013年-2014年,笔者参与了一个大型项目,云平台下做资源、资产、电子运维管理,由德勤负责需求集成、HP负责系统门户和硬件集成,PCCW负责实施集成。IBM、中兴、亚联、亿阳等十几家厂家做开发分包。项目合同额好几亿。当时我在PCCW负责资源的实施管理,与中兴、亚联、亿阳一起完成所有省份的实施,一期完成北京、山东、福建的实施。这也是我第一次接触如此规模的项目,管理多家厂商与周边十几家厂商协调沟通... 阅读详情

相关推荐

ChatGPT Web转API工具:原理、部署与集成实战

在AI应用开发中,API(应用程序编程接口)是实现系统间通信和数据交换的核心技术,它通过标准化的请求响应机制,将复杂功能封装为可编程的服务。其工作原理基于HTTP协议,通过定义清晰的端点、方法和数据格式,使不同平台的应用能够高效集成AI能力。这一技术价值在于极大降低了开发门槛,促进了自动化流程和智能功能的快速落地,广泛应用于智能客服、内容生成和创意辅助等场景。本文聚焦于如何通过浏览器自动化技术,将ChatGPT的Web界面能力转化为标准API服务,其中涉及Playwright无头浏览器操作和会话Cookie

weixin_42533910的博客 1756

深度学习败于“捷径”

编译 | 蒋宝尚、陈大鑫编辑 | 丛末转自 | AI科技评论深度学习的未来在哪里?这一话题已经有过了无数讨论,大部分讨论都承认当前的深度学习还不是真正的智能,必须转向理解、常识。但是只看...

zandaoguang的博客 990

C# 实现文件和字符串的AES加密解密

C# 实现文件和字符串的AES128加密解密

m0_72044573的博客 5935

真正厉害的 AI,从来不走「捷径」

智源导读:中学考试,往往会出现这种现象:努力学习的学生反而没有整天玩耍的学生考得分数高。这其中的一个原因是,后者掌握了考试窍门,即使某些知识不懂,也可以蒙对。AI和人类一样,也有“考试”...

BAAIBeijing的博客 672

即梦 AI 全功能零基础详细教程(纯技术版)

即梦 AI 是一款多模态 AI 生成工具,主打文本生成视频、图片生成视频、角色一致性生成、音画同步等核心功能,依托自研 AI 视觉模型,实现从文本 / 图片 / 音频素材输入,到高清视频、图像内容输出的全流程 AI 创作,支持短视频、短剧、创意素材等多场景创作,具备操作门槛低、生成效率高、画面可控性强的技术特点。@为工具内置引用指令,作用是锁定指定素材 / 角色,强制 AI 按照该素材的核心特征生成内容,无额外付费、解锁要求,免费使用。剧本拆分:将短剧拆分为单镜头(15 秒内 / 个)

2501_92061023的博客 5797

carsim与simulink联合仿真学习笔记(二)——使用C-class车模做driver model仿真(5 driver sensors)

Driver model 在carsim的Simulink库中自带外部驾驶员模型,打开后如图所示: 然后打开carsim中对应的数据集,如图所示: 具体仿真步骤不在赘述,注意到这里选择的是E-Class车模,那么如果我想选择C-Class车型进行仿真呢?点三角选择车型可以看到: 马赛克部分是我后来建的,如过没有使用过是没有马赛克部分的。那么既然这里没有C-class,又该怎么办呢? 创建C-...

xufuqiang2017的博客 4116

机器,学习没有捷径

捷径学习中的捷径表示的是一种有缺陷的决策,是机器学习模型在训练过程中,为了最小化预测误差,而采取的一种”捷径”策略。在这种策略下,模型会优先学习和预测目标直接相关,但不一定是本质的特征,导致模型可能在训练集上表现良好,但在测试集和实际应用中表现不佳。

山石网科的博客 1146

UE5 Compute Shader实战:从基础到高级应用全解析

本文全面解析了在UE5中应用Compute Shader的完整流程,从基础概念、环境搭建到核心机制与实战应用。详细介绍了如何通过参数传递、线程派遣与数据读写实现GPU并行计算,并深入探讨了GPU粒子模拟、性能优化及结合光线追踪等高级应用场景,为开发者掌握UE5高性能计算提供系统指导。

yhn45678901的博客 499

文本显示变量_捷径教程—三种“变量”的用法详分细解

除了最初发表的以"熔岩音乐"和"流利阅读"为范本,以及初学者入门点这里,内容太过于巨细靡遗,主要是为了给入门朋友详解相关的基本流程,但之后所有文章唯有对于实例的重点讲解,主要在于培养大家对于一些关键数据的敏锐感知,逐渐加深对于thor过滤器或者HttpCatcher的了解以及学会正则表达式。(文章底部回复数字有成品过滤器或者规则可供下载安装测试)。“变量”这种元素是程序编程中会经常用到的...

weixin_30454067的博客 1320

光伏发电系统模拟及其发电预测开源python工具pvlib

本文介绍光伏发电系统模拟及其发电预测开源python工具pvlib,以及举例介绍获取辐照度方法、光伏发电预测思路。

肖永威的专栏 1万+

UE4逆向实战:如何快速定位UWorld和GName的5种实用技巧(含版本差异分析)

本文详细介绍了UE4逆向工程中快速定位UWorld和GName的5种实用技巧,包括特征码定位法、动态行为分析法、静态符号分析法等,并针对不同版本差异提供了适配方案。特别强调了UWorld作为游戏世界核心容器和GName作为名称管理系统的重要性,帮助开发者高效进行游戏逆向分析。

star的博客 894

iphone捷径未能连接服务器,ios13无法安装第三方捷径怎么办 不允许不受信任的快捷指令解决方法...

捷径是iOS 12主打的功能之一,通过这一功能,用户可以将原本复杂的操作简单化,轻轻点一下即可完成各类操作。但是由于捷径需要使用事先编写好的脚本才能执行任务,而这些脚本并不是所有人都有能力写出来的,所以现在许多人都习惯在一些网站直接下载捷径脚本进行套用。可是在iOS 13系统中,安装捷径的时候会提示失败,这是怎么回事呢?小编更新了开发者版本的iOS 13,在安装第三方捷径的时候会弹出失败提醒,并提...

weixin_42509236的博客 2809

RK3588开发笔记-MIPI-CSI接口视频解码芯片XS9922B调试

Rockchip RK3588 是一款高性能的处理器,支持多种摄像头接口,包括 MIPI(Mobile Industry Processor Interface)接口。MIPI是一种用于移动设备和嵌入式系统中的摄像头、显示器和其他传感器设备的串行接口标准。MIPI是MIPI联盟发起的为移动应用处理器制定的开放标准。CSI-2(Camera Serial Interface 2)是MIPI 联盟定义的另一种高速接口,主要用于摄像模组和处理器之间的连接。

flypig has a dream! 6860

没有捷径!没有捷径!没有捷径!

年前,有个创业分享会,有个创业者的想法是这样的,把晦涩难懂的一些科技文献,做成简单易懂的视频,然后在网上传播。这个事情有市场机会么?其实是有的,比如说,我以前举过的例子,...

caoz的梦呓 441

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

神经网络其实和人一样懒惰,喜欢走捷径......

作者 |Jörn-Henrik Jacobsen, Robert Geirhos, Claudio Michaelis,深度学习研究专家译者 |Arvin,责编 | 夕颜出品 | C...

优快云人工智能头条 248

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

成功没有捷径python_成功没有捷径,谁说的?

这世界上最骗人的鬼话就是“成功没有捷径”。其实,这就是聪明人专门说给老实人听的,他自己在悄悄地走捷径,却告诉你没有捷径。良心安在啊?很多人经常会看到这样的话,“成功人士也是努力学习,上名牌大学,然后创业,失败,失败,然后在成功地变成大佬”。就是告诉你,“成功没有捷径”,要想成功,你就慢慢来,老老实实地做事。我就奇了怪了,“努力学习,名牌大学,创业,失败,失败”这类人群何止千万,怎么就你一人成大佬了...

weixin_39608657的博客 156

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

成功的捷径,学会这一点,赚钱很容易

很多人没想明白,有钱和没钱,那只是表象,是结果而已。 穷人和富人,真正的分水岭,一定是体现在思维上面。 就像老话说的,富人学管理,穷人学技术。 技术学好了,能成为一颗耐用的螺丝钉。 懂管理,就是指挥搬砖工人的包工头! 一个人的成长,分为两种模式。 渐悟和顿悟。 渐悟,就是不断的踩坑,摸索出一点赚钱的门道时,发现年纪却大了,想做点事情,也心有余力不足。 这是大多数人的常态,所以,在这个世上,平庸之人占据主流。 顿悟,就像突然打通任督二脉,不管做什么,都能事半功倍! 这能能力,除非你是天选之人,拥有极高的悟性,

地推 736
上一篇: mysql ERROR 1045 (28000): Access denied for user 'root'@'localhost' (using password: YES)
下一篇: GCC参数详解
tspangle
博客等级 码龄19年 81粉丝 88原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值