建议先玩 k3s

8 年前，在 UCloud 上跑数据，不小心也不知道触发什么官方 Bug 了，结果是把 UCloud 的虚拟交换机干高负载了
然后官方主动反向沟通：你们在干啥……

https://hostloc.com/forum.php?mod=redirect&goto=findpost&ptid=866710&pid=10652112

@JensenQian

@JensenQian 什么叫播到香港？ IP 分配在使用者层面是 ISP 的事儿，ISP 从 IANA 拿的。 不是同一个 ASN 怎么盗取？

我选择 copilot 😂

@JensenQian anycast 准确的讲法不是广播，是泛播（任播）

Anycast 没有准确地理位置的说法。只能说隶属于哪个组织。

在循环之前，可以将 len(array) 存储在一个变量中，以避免在每次迭代中重复计算数组的长度。这样可以提高性能并简化代码。因此结论：你闷头儿的代码更好一点。

在这个问题中，你提到了一个关键的问题：如何优化 NFT 价格信息的推送系统，以避免单点故障和提高系统的稳定性和可用性。

可以考虑使用微服务架构来优化这个系统。微服务架构是一种将应用程序分解为一组小型、独立的服务的方法，每个服务都有自己的进程和数据存储，并且可以独立地进行扩展和部署。在这个情况下，可以为每个 OEM 客户创建一个独立的微服务，这样每个服务就可以独立地处理 NFT 价格信息的推送，而不会影响到其他服务。这样做的好处是，如果一个服务出现问题，其他服务仍然可以正常运行，从而提高了系统的稳定性和可用性。

还可以考虑使用负载均衡技术来分散推送服务的负载，防止单个服务器过载。负载均衡器可以将请求分发到多个服务器上，以确保每个服务器都能够处理其分配的请求，从而提高系统的性能和可用性。

正规的加速器都有服务器白名单机制，非名单内的 IP 都无法连接

可以啊，可以搞个 API 接口出来吗

用户邀请制是否会限制平台的用户多样性和增长潜力？如何确保新用户的引入和平台的可持续增长？
在社交网络中建立用户之间的信任关系是一个复杂的过程，你计划如何防止虚假关注和推荐，以及保证用户关系的真实性？
如何确保用户的购买记录选择性公开的机制不会侵犯用户的隐私权，同时又能提供足够的信息给其他用户参考？
你计划如何量化用户真实度和评价的可信度？有何措施防止水军和恶意评价的出现？
在购物全生命周期评价中，如何鼓励用户积极参与评价？回报作为激励的方式有哪些，如何确保公平和合理？
如何防止恶意评价和虚假评价的问题？你计划如何验证评价的真实性和客观性？
口碑评价和社交网络权重如何综合量化商品的口碑？你打算使用哪些指标和算法来衡量口碑的好坏？
在商品上架和推荐过程中，如何平衡用户推荐和平台挑选的权衡？平台如何确保商家资质、商品合格情况和认证证书的真实性？
如何避免操纵和滥用口碑评价系统？你计划如何监测和防范可能的刷单、刷评等行为？
你的思路中考虑到了用户对商品的评价，但是否还有其他因素可以考虑，例如商品的品牌知名度、销量等？

---
GPT 真是个好工具，嘿嘿嘿。

嘿嘿嘿，你回答一下？

1. 如何防止用户之间串通合作，通过互相推荐和评价来操纵商品的口碑和排名？
2. 在社交网络中，如何解决用户之间的虚假身份和信息欺骗问题，以保证用户的真实度和购买行为的可信度？
3. 如果用户的购买决策主要依赖于关注用户和所在社群的购买习惯，会不会导致用户的选择趋同，而减少了多样性和个性化的体验？
4. 用户评价的可信度如何与商品的品质和实际表现相对应？是否存在用户评价与实际情况不符的情况？
5. 如何处理那些不愿意或忘记对商品进行评价的用户，以保证评价的全面性和代表性？
6. 用户的真实度和评价可信度是否会受到社交关系网络的影响，从而导致某些用户的声音被放大或忽视？
7. 在商品上架和推荐过程中，如何保证平台不会对某些商家或商品有偏袒或歧视，确保公正和公平？
8. 如果用户的购买记录被公开，是否会引发用户隐私泄露和信息安全的风险？
9. 在口碑评价中，如何解决不同用户对同一商品评价标准的主观差异，以及对商品的个人偏好和使用需求的差异？
10. 如何平衡用户推荐商品和平台挑选商品的权衡，以保证既有用户口碑参与，又能提供多样性和全面性的商品选择？

吃相难看的大厂们。

@tool2d github 上开源项目 与公司内部的代码没可比性的。一些北欧和北美的码农比较闲，经常重构。
而国内的企业则不然。要考虑到群体与群体的差异。 而且，如果你认为还是说服不了你，那你可以去看看现在的 Linux 的内核代码，也有很多地方很晦涩难以解读。

站在个人生产效能的角度认同你的观点。
站在公司生产效能的角度，不延长工作时间，4h 怕也是摸鱼了。

字节、阿里，文档都不太好，可能是 996 搬砖太累了。

@tool2d 尝试接触一下大型团队的大型项目，你就能理解我在讲什么 😊

每写下一行代码都是在熵增。所以，代码多代码必然结果就是屎山