不去。而且绩效也不知道占比多少，说不定给你打个低绩效，薪水拿个一半，图啥。

noip 和 acm 还是值得写的，不觉得减分。

看起来还是想转开发。就在 devops 上深化也挺好啊，甚至我觉得也可以考虑测试，渗透测试啥的，往白帽子方向发展。业务代码大部分是屎山，想提升开发能力不如去参与开源项目。
说起来算法方面 nms 抑制 我记得 rnn detector 去重那块用的，不知道 devops 咋用。匈牙利匹配，KM 算法么，我们主要用来配对供需，也不知道 devops 咋用。

PIMPL 通常来说是个好的做法，但一般都是写库的时候用，方便提供简化的头文件，分离一些依赖。另外对加快编译速度也有帮助。

@fy qt 基本是 LGPL 。粗略的说，动态链接即可(我看 FSF 里也声明不限制 inheritence dependency)。不过严格理解 LGPL 协议的话，要提供用户能升级 Qt 的方案，这样就需要暴露一些代码(依赖 Qt 的)。稳妥起见，可以把业务数据层的代码做成动态库再在 Qt 里用；但我个人觉得大部分人不会考虑太多，动态链接就完了，也不会开源。目前来看风险不大。

所以还是应该多摸鱼，不求那个绩效了。不要脸蹭公司，到被优化掉，再换家。找到能合理工作的岗位。大厂们的岗位都是给肝帝们留的，没办法，竞争不过。

有的简单的题目，可能主要考察 corner case 的处理。有的题目考察的是思路。总之，简单题目如果只想到个漏洞百出的正确答案肯定过不了；本身有难度的题目，忽略了 corner case 可能也能过。

图包含树，你说呢。

另外，我觉得 c 才是大道至简。go 特性还是比 c 多吧，算不上简。

当然，js 大法也好。go 我也写过，没什么特别感觉，还没 kotlin 舒服。

不管被喷的怎么厉害，我仍然喜欢 C++。哈哈。痛并爱着。

@hntee 能啊，反正她最后去了贝壳。拿了 60 多的总包。

很正常。我经常不往简历里写过多东西，比如投机器学习就把图形、前后端之类的都隐藏了。所以，如果面试官问我你了解图形学么，那我大概率还能说上一堆。我觉得很正常，咋简历上没写还不让问了。

不给就完了。你多面试几家，多拿几个 offer 。我一个朋友就从来都不给，照样找到工作。

补充点数学在计算机领域的应用：（其实不做底层，不做算法库，不做科研，大概率不会用多少数学）
- 离散数学（主要就是图论相关）、具体数学：主要帮助通用算法理解，算法导论、数据结构等等相关。实际使用主要是构造复杂大型系统，此外还要学习硬件和 OS ，以便更好的利用硬件能力。做系统开发啥的，我觉得得会。
- 概率统计、多元统计分析、贝叶斯推断、随机过程：主要帮助理解数据分析类算法，做 AI 也需要学，大部分科研领域都涉及到统计。工程领域里也主要写底层算法模块的，上层调包侠也需要稍微了解点；再业务层点的，就不是很看重了，用个均值、方差、中位数就差不多了。
- 解析几何、微分几何、计算几何(样条和曲面之类的)：主要是图形学和仿真模拟，AI 涉及一些(CV)但是不多。此外，一般做图形学和仿真的也要学一些物理：力学、光学之类的。根据具体领域细分，需要深入再学习（有的甚至还要学化学，分子动力学，比如做化学反应仿真的）。
- 复分析、傅立叶分析、小波分析、泛函分析（主要做理论上用）：做信号处理领域用的多，其实其他领域也会假设是信号然后就来一套，所以这块技能还是挺通用的。
- 运筹学、数值优化方法、凸优化、偏微分方程、微分方程数值解、有限元、矩阵分析：一般主要是计算领域，模型一定的情况下的计算机求解方法。AI 领域了解点就行了。主要写计算库的人需要学。运筹相对简单，主要是规划问题（对原本的算法里的动态规划啥的，更加深入点，也涉及一些图论方法），数值和凸优化主要求解 loss function 的。微分方程是求解另一类问题的，一般也跟物理关系比较大（比如波动方程、热力传播模型）。有限元是一种用简单基逼近函数的简化运算的方法(因此显然涉及到泛函，必然和小波啥的也能联系到一起去)，各个计算领域都可能能用上，算是个解法的手段。矩阵分析主要做矩阵计算的，特征值和向量的求解是主要内容。

通用基础：数学分析、高等代数、概率统计、解析几何。基本这几个学明白了，是大部分领域学习的基础。

所以，学好数学还是挺难的，你会发现永远学不完。哈哈。上面这些还都是偏计算方向的，据说在数学方向上处于鄙视链底端。

现在我还是推荐到 b 站上找找课直接看，不香么。可以随时暂停、快进、讲得也清楚，还有弹幕答疑。从初中开始看，有点太没信心了？初高中加起来的数学也就大学一学期的事儿，直接看大学的好了（或者不看，然后放弃掉人工智能这种数学比较多的课；数据结构其实不看算法分析，数学也不算多，编译原理则是建立在数据结构的基础上，其实也可以忽略数学相关的分析）