seems I'm too late?

@rookie2015 但是抓风口和快速启动的能力就明显很强。存款和收入一直在增加这很棒了。感觉上是时候考虑投入精力和时间到某个具体行业深耕。具身智能不一定能起飞，但是背后的工控，下一代工控，小模型在工控上的应用，感觉很值得加力投入。

楼上说的对的，不好报税，美国那边会需要搞税务问题，大概率就是顾问这种，做成合同合作之类的私活。简单说就是不稳定，而且你也不好报税。

@rookie2015 😵‍💫讲一讲啊，我略好奇你的履历，上面看着没咋看懂。你现在这样的履历 build ，年包大概是什么样子？
求职市场对你的履历 build 比较喜欢？
我的履历是不同的 build ，我是在一个赛道做了差不多十年了，计算机图形学 rendering

ai 分析是这样的：
1. 各履历的公司影响与行业影响

公司与行业背景： 楼主经历的公司大多属于创业公司、资本或 VC 当期热炒的项目团队，或是上市公司里的探索性创新部门（例如浙大教授的隐私计算初创公司、深圳海外手机上市公司的国际化部门、深圳前海的 Web3 公司等）。

行业影响力： 整体偏向在风口赛道中“试水”或“探索未成熟方案”。大多数项目在经历了 1 年左右的市场验证后，因业务未达预期或战略调整而收缩/裁撤（如农业互联网、产业链数据等项目），因此单个履历对行业产生的持久影响力较为有限，更多是帮公司在特定节点做了前期摸索和数据建设。

2. 最长的一个履历（ 2 年 8 个月）

这是他在 2021 年 4 月至 2023 年 12 月期间加入的一家农业产业互联网公司。

在这期间，他完整参与了农业知识图谱、舆情分析以及产业数据产品从 0 到 1 的构建、上线与后续推行，也是他抗压和坚持最久的一段经历。

3. 转行是在做业务还是有深入领域？

核心身份未变（深耕数据领域）： 楼主在 #29 楼明确提到：“现在还是在弄数据，我身份一直没变，只是干的活不一样了”。

解决非标数据问题： 他并不是简单做上层业务逻辑，而是专注于数据采集、知识图谱构建、小语种数据资源挖掘与数据处理流程设计。他自认为深入积累的并不是某种具体的垂直行业知识，而是一套“快速理解陌生业务、寻找并整合数据资源、将模糊需求落地为产品”的技术与方法论。

4. 同一领域深入 9 年的瓶颈与突破

楼主的情况： 楼主并没有在单一领域/大厂深耕 9 年，而是采取了跨行业跳槽的路线。因此他并没有经历过传统大厂大头兵在单一技术栈或垂直业务上遇到的“9 年瓶颈”。

面临的新困境： 频繁跨赛道也带来了其他挑战。正如楼友们提醒的，他面临的是“垂直领域经验难沉淀”、“履历偏花/跳槽频繁”以及“随着年龄增长后续求职的稳定性质疑”。楼主也坦言很多跳槽是由于部门裁撤或项目失败而“被迫离开”，目前在具身智能（ AI 机器人）领域继续寻找新的成长空间。

祝福
我们也是被 22 年 23 年那一套吓到了，然后一 release 就跑了
也是连猫带狗
狗子在加拿大倒是爽的不行的

各履历的公司影响行业影响是怎样的？
最长的一个履历做了 2 年 8 个月🤔
你转行的话，都是在做业务？没有深入某些领域？
如果是同一个领域深入 9 年的话，应该是到达大厂大头兵的顶点了，会遇到瓶颈。你有遇到吗？怎样突破的？

稳定 5%不可能，SP500 这么多年大概能算年 7%,但这已经是高风险的了。稳定大概可以按国债或货币基金算，0.5%到 2%

maybe a third option?

@osilinka 是啊，退休可以，打工不行

@lyer5 居住和玩可以，住好点就行，雨天冷晴天晒，空气有点干燥要加湿，以前空气很好现在开始有雾霾了。住滇池度假区最好。

国内是你看着治病很快，但实际整个健康环境，医疗保障实际不太好的，典型就是你生病能休息多久。用不用每天起早贪黑去办公室。工作压力大不大，饮食，娱乐以及锻炼等等
加拿大是很多人 diss ，说慢，但我自己的感受反而不错，工作压力适中，不用天天去办公室，不打卡，wfh 生病少干点就完事。生病了也可以直接 out sick 不去办公室。无论是照顾家人还是自己都好弄。
健康环境好，体育运动盛行，自然环境好，我来了以后很不怎么生病。一直吃白人饭沙拉之类的话肠胃都会好些。
家庭医生不难约，周末急症开药可以远程医疗，很容易约到医生护士开药，然后去附近药房取药就行了。
专科慢病就是慢慢约，好处是不花钱，带证过去就完事。
最麻烦的情况，就是那种不急，但又难受，比如瘸个腿那种，急点的去急诊中心等一两个晚上，不急的瘸个半年。
最佳选择还是多锻炼保持健康。

你的扁桃体发炎，有可能不是真的严重细菌感染的，有可能是自限性疾病，过敏，或者病了没休息好。如果布洛芬和退烧药对付不了，休息好几天不见好转，确认是感染，才应该打抗生素。
我在国内也是每年起码一次喉咙痛，挂水。到加拿大之后 3 年了一次水也没挂过。

经典算法题的感觉
一开始想到一些思路，虚拟内存那里已经有人提到了，直接用 ram map 把磁盘空间映射到地址，然后对比完事。loading unloading 交给 os 去 cache ，由于两边都是顺序访问，性能搞不好还不错
第二个思路是数据压缩，把 Name 和 age 直接做成字典（前面有人说的前缀树？），这样一个 N bytes 的 string 就变成了一个 uint 之类的值，然后再 loading 和比较

Gemini 的解法：
核心方案：哈希分桶法 (Hash Partitioning)这个算法的本质是“分而治之”，通过一个确定的哈希函数，把两个巨大的文件拆分成多对相互对应的小文件。具体步骤：分片 (Partitioning)：读取 FileA ，对每一行的 Name 计算 $Hash(Name) \pmod N$（$N$ 是分片数量，确保每个分片能完全读入内存）。根据计算结果，将该行写入对应的临时文件 A_1, A_2, ..., A_N 。对 FileB 执行同样的操作，生成 B_1, B_2, ..., B_N 。关键点：由于使用了相同的哈希函数，同一个 Name 如果在 A 和 B 中都存在，它们一定会落在编号相同的分片里（例如都在 A_5 和 B_5 中）。内存对比 (In-Memory Comparison)：依次加载每一对分片（先读 A_i 到内存的 HashSet 中，再流式读取 B_i 进行比对）。在 A 不在 B：遍历完 B_i 后，HashSet 中未被匹配的元素。在 B 不在 A：读取 B_i 时，在 HashSet 中找不到的元素。数值差异：在 HashSet 中找到了 Name 但 Age 不同。清理：对比完成后删除临时分片。

Gemini 其他解法：
1. 布隆过滤器流式筛选 (Bloom Filter Stream)，有可能误判
2. 内存映射文件 + 二分查找 (MMF + Binary Search)
3. 字典压缩流 (Dictionary Compression)

@FeifeiJin 没辙啊，昆明那个地方，工作实在是难搞

@gamesoft 那个图的 id 像是猪场自己的聊天工具里面的，真假不知

以前这些 it 行业比其他很多行业都高薪，这波下来对个人影响很大的，尤其一些高负担家庭，基本面临斩杀

@akiyamamio 三石这句话已经传开了？

windows: conemu