8620

数据存储的方法需要平衡数据的成本与数据的价值。如果一个数据很少会被访问，那么合理的方法是把它放到比较冷的数据仓库中，比如 HDD ，甚至 HDD 上的压缩包，这些数据要提取显然需要花费更多的时间。国内很多单位对数据价值和存储的成本并没有很好的考量，可能只是为了方便开发就没有使用这种机制。

大公司可以问同事，尤其是以前负责过的人。如果没有同事知道，建议首先了解业务表面业务逻辑，然后针对每一个使用场景进行调用链追踪。一定一个函数一个函数看过去，记得留痕迹，不一定要是思维导图，Ctrl CV 一个定义所在文件的名称和位置就行，时间紧任务重的情况下，没空制图的。

在链路上函数全部看完后，可以对进程、线程、微服务、组件、类、方法等的功能和构建及析构做一个概括，尤其是在调用链上的位置和作用，然后依据这些概括，再进行聚类，比方说业务处理逻辑控制、鉴权、调用外部资源等……

第一条线会比较困难，因为啥都不知道。梳理的多了以后，就会越来越快。有的时候甚至能快速看出代码中不同年代的特征，也是方便理解的一个标志，因为同一时期的代码往往有一定相似性。

这个方法我自己的经历是能在短期（一两个月）内完成的，如果代码量在几万甚至十几万且没有帮助的情况下，超短期我觉得不现实。还有，这感觉算不上“超大型项目”，真的超大型项目从硬件到操作系统到虚拟化都可以是项目的一部分，代码也是百万甚至千万行级别的。

一定要说的话 Github Copilot ，可以先访问声明，然后在要写定义的地方开始打，有的时候能正常猜测补全。坏处是要点钱，然后是联网的。不联网的有 Tabnine ，但是准确度差。这都是基于深度学习的产品。

不过 C++本来就是自由度比较高的语言，一个迭代遍历三四种不同时期写法的，真的复杂或者长期迭代的代码别说程序和 AI 了，受过专业训练的人看都头疼的。

文科生不适合学 AI 。不管是不是深度学习，人工智能的基础都是数学、逻辑、以及数学和逻辑的结合。如果想要学习深度学习，那更是数学占大头的地方，还要加上生物学和物理的一些理论……如果确实想要学习 AI ，建议先修完高数，然后可以试试跟着教程学 Python 。

举一个看起来极端，但是实际上完全可能的情况：
开着车听着歌，突发疾病人不知道了，但是身体却狠狠踩上了油门。车冲破几十米围栏，撞到非机动车道上三十几个人，10 死 10 重伤 10 轻伤，还干倒一个红绿灯杆子，倒下压到路过的一辆保时捷，最糟糕的是人没死，救活了。
此时有几千万的赔偿额，

比起其他人来说，确实是没有那么大的意义。但是以商业医疗保险为例，费用很可能是几十万甚至上百万，这是一般家庭资产非常大的部分。再比如路上出了主责的事故，运气不好修车都要几百万。所以，“常见理赔金额自己都能掏的起”其实是个不小的数，没有几百万真不太能说这个话。

至于理赔概率的问题，可以了解一下精算这个行业。相同保障下，保险公司对不同的人给出的保费是不同的。比较典型的例子就是车出险后第二年保费会涨好多，有基础病/遗传病家族史和人保费也会更高。

另一方面，人在世界上活着，是时刻存在危险的，高铁可能追尾，飞机可能失事，走在路上可能就会莫名其妙被路上飞的车子撞了。我不认为这个世界上存在不面临危险的人。

最后说起来，不仅是一般群众，大量有钱人，乃至保险公司以及也会给自己买保险（再保险），因为有些风险即使发生概率小，一旦发生真的很难承受。

如果只是初学，建议本地，因为很多事情都很可控。在已有 Windows 笔记本的情况下，完全不需要配合云服务器啊，除非你的代码有涉及到某种只有 Linux 才有的东西，这种是不多的。

读老代码肯定非常有用！前段时间追溯一个 20 年老代码的时候这功能真的求之不得。
不过，目前对重载，尤其是重载+类方法混杂的支持如何呢？

解放军 904 医院常州医疗区是全军精神卫生中心，号不算难挂，水平也还不错。