进入创业公司的前与后(二)

最近太忙了,都没有时间写东西了。接着上次说。

上次说到同事突然找我出去聊一聊,然后他就告诉我,他要出去了,不会留在这里了。我不是很明白他的意思。解释了下,就是要回他住的所在地A地工作,以分部的形式存在。问我,愿不愿意跟着他。我是想跟着他的,可是我才刚刚从A地搬出来,现在又要搬回去,这样一折腾,我就要损失三千左右。所以就跟他说,我先留下来吧。同事又跟我聊了聊,他最近的状态。他现在已经无心工作了,公司答应给他的股份,一直迟迟拿不到,感觉自己的付出没有任何价值了。我一直不知道这件事,先前他只是说公司有他三四十的股份,我才跟着他干的,结果他自己一直还没有拿到。换句话说,公司给他画了一个大饼,而他又给我画了一个大饼。进入公司一个星期,老总给我的感觉就是做事不干脆,喜欢拖拖拉拉,对员工的承诺很难实现。从一开始,我就不相信这个公司老总的,我进入这家创业公司,完全是本着相信我的这位同事的。结果很多事情,他没有跟我说。

既然聊一聊,我也把我进来之前的那一个月的状态,告诉了他。进入公司前的那个月是我最纠结的时候,因为这边给的薪资很低,而原来的公司一直在加价,都快加到这边的两倍了。所以特别纠结。最终觉得既然答应同事来这边了,就应该信守承若。同事听了我的话,觉得很过意不去,也非常感动。我告诉他,我应该在这边不会坚持到原先说好的三年,但是应该能够坚持一年半,一年半中间正好有两个年终,公司老总不是说所有的成果都是在年终的时候发放的吗?我先看下结果会怎样,如果能够还可以的,那就继续待下去,不好,则离开。第一次聊天结束了。

到了下午三点多了,同事又找我进行第二次聊天。他说,他想了想,一年半后肯定达不到你的期望,你还是现在离开吧。因为他现在自己的状态都不好,他自己的回报到现在都拿不到,估计我也很难拿到。所以觉得特对不起我,现在离开,不要像他一样陷的太深。我能够说什么呢?那就离开吧,当然我没有责怪他。只是心里不好受,毕竟搬了家,已经做好了艰苦奋斗的准备,结果就要这样灰溜溜的走了。

很短暂,一周的时间,离开了。接下来就重新开始找工作了。

这次的失败,算是一个教训吧。进入创业公司,一定要谨慎。不能把自己所有的利益都绑在一个人的身上,一旦他出现问题了,你的利益就很难保证了。还有我进入之前,没有好好的了解这个公司。它没有自己的产品,都是接外面的活,然后拿回来做,并且做的也是外围的东西。公司的潜力不大。公司的老总做事喜欢拖,尤其答应员工的福利。对于员工的利益分配,没有一个具体的规章制度,都是口头上说的,很难落实。

如果上面的问题都能够解决的话,也不是说就不能进入创业公司。

时间: 2024-10-31 01:47:56

进入创业公司的前与后(二)的相关文章

隐马尔科夫模型HMM(二)前向后向算法评估观察序列概率

隐马尔科夫模型HMM(一)HMM模型 隐马尔科夫模型HMM(二)前向后向算法评估观察序列概率 隐马尔科夫模型HMM(三)鲍姆-韦尔奇算法求解HMM参数(TODO) 隐马尔科夫模型HMM(四)维特比算法解码隐藏状态序列(TODO) 在隐马尔科夫模型HMM(一)HMM模型中,我们讲到了HMM模型的基础知识和HMM的三个基本问题,本篇我们就关注于HMM第一个基本问题的解决方法,即已知模型和观测序列,求观测序列出现的概率. 1. 回顾HMM问题一:求观测序列的概率 首先我们回顾下HMM模型的问题一.这个

HMM 前向后向算法(转)

最近研究NLP颇感兴趣,但由于比较懒,所以只好找来网上别人的比较好的博客,备份一下,也方便自己以后方便查找(其实,一般是不会再回过头来看的,嘿嘿 -_-!!) 代码自己重新写了一遍,所以就不把原文代码贴过来了. 1. 前向算法(摘自http://www.cnblogs.com/kaituorensheng/archive/2012/12/01/2797230.html) 隐马模型的评估问题即,在已知一个观察序列O=O1O2...OT,和模型μ=(A,B,π}的条件下,观察序列O的概率,即P(O|

非递归前中后序遍历二叉树

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 写在前面: 最近准备找工作,捡起原来学习过的各种知识,加上一些自己的理解,梳理一下流程,巩固自己的认识,一步两步,一步两步... ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ 二叉树的遍历是树操作的基础,一般的前中后序递归遍历比较简单,这里就不列出了,主要是非递归实

二叉树的前序建立,前中后序遍历的非递归算法

二叉树的前序建立递归算法以及前中后序遍历的递归算法已经是人尽皆知了,递归算法也确实为代码的编写带来了很大的方便.然而,有时我们也确实需要它们的非递归算法.将递归算法转化为非递归算法可以帮助我们深入了解函数的调用与栈的原理.这里总结一下二叉树的这些重要的非递归算法. 一.前序建树 前序建树的基本思路是,接收用户输入的一组字符串,其中'#'代表空树,其他代表树结点的数据域值.例如,要建立如下一棵树 需要输入"AB#D##C##". 而非递归的思路是,1.设一个标志位来判断当前创建的结点是左

机器学习算法总结(七)——隐马尔科夫模型(前向后向算法、鲍姆-韦尔奇算法、维特比算法)

概率图模型是一类用图来表达变量相关关系的概率模型.它以图为表示工具,最常见的是用一个结点表示一个或一组随机变量,结点之间的变表是变量间的概率相关关系.根据边的性质不同,可以将概率图模型分为两类:一类是使用有向无环图表示变量间的依赖关系,称为有向图模型或贝叶斯网:另一类是使用无向图表示变量间的相关关系,称为无向图模型或马尔科夫网. 隐马尔科夫模型(简称HMM)是结构最简单的动态贝叶斯网,是一种著名的有向图模型,主要用于时间序数据建模,在语音识别,自然语言处理,生物信息,模式识别中有着广泛的应用,虽

隐马尔科夫模型(前向后向算法、鲍姆-韦尔奇算法、维特比算法)

概率图模型是一类用图来表达变量相关关系的概率模型.它以图为表示工具,最常见的是用一个结点表示一个或一组随机变量,结点之间的变表是变量间的概率相关关系.根据边的性质不同,可以将概率图模型分为两类:一类是使用有向无环图表示变量间的依赖关系,称为有向图模型或贝叶斯网:另一类是使用无向图表示变量间的相关关系,称为无向图模型或马尔科夫网. 隐马尔科夫模型(简称HMM)是结构最简单的动态贝叶斯网,是一种著名的有向图模型,主要用于时间序数据建模,在语音识别,自然语言处理,生物信息,模式识别中有着广泛的应用,虽

PIE SDK灾前灾后对比

灾前灾后对比功能是GIS软件中常用的功能之一,指利用多时相获取的覆盖同一地表区域的遥感影像及其它辅助数据来确定和分析地表变化.它利用计算机图像处理系统,对不同时段目标或现象状态的变化进行识别.分析:它能确定一定时间间隔内地物或现象的变化,并提供地物的空间分布及其变化的定性与定量信息.现在呢,具体介绍下基于我们PIE SDK是如何实现这基本工具灾前灾后对比功能的基本实现. [在前灾后功能界面图] 要实现灾前灾后对比功能主要就是通过两个mapControl控件,灾前地图控件是mapControl_l

STL——前闭后开区间表示法和function call 操作符

前开后闭开区间表示法[) 任何一个STL算法,都需要获得由一对迭代器(泛型指针)所标示的区间,用以表示操作范围,这一对迭代器所标示的是个所谓的前闭后开区间,以[first,last)表示,也就是说,整个实际范围从first开始,直到last-1.迭代器last所指的是“最后一个元素的下一位置”.这种off by one(偏移一格,或说pass the end)的标示法,带来了很多方便,例如下面两个STL算法的循环设计,就显得干净利落: template<class InputIterator,c

前闭后开区间表示法

 任何一个STL算法,都需要获得由一对迭代器(泛型指针)所标识的区间,用以表示操作范围.这一对迭代器所标示的是个所谓的前闭后开区间,以[first,last)表示.也就是说,整个实际范围从first开始,知道last-1.迭代器last所指的是"最后一个元素的下一位置".这种偏移一格的标示法,带来了许多方便,例如下面两个STL算法的循环设计,就显得干净利落: template <class InputIterator,classT> InputIterator find