我在深圳京东一年绩效3次C
京东绩效分A、B、C，强制绩效分布，C占比10%，一个季度1次，一年5次，4次+年度=5次。 我于2014年从杭州入职深圳京东（原腾讯电商团队），深圳环境比北方干净，有大片的云朵很漂亮，我特意选择深圳大道的观光巴士，欣赏过几次改革开放的成就。 第一次绩效考核得C，一共15个人左右的团队，只有我一个人得C，对方讲到： 你原来在阿里上班，以为你会很厉害，结果并没有感觉到。 重构工作，15个人中除了1位员工的几个h5活动动画看起来有点炫外，其他人都是正常工作，没有特别的东西。我在阿里工作为外包员工，每个人都知道。 年度绩效系数是0.9，还是0.8我记不清了，为季度累计结果，相当于C。看到年度结果，以及根据半年左右的工作感受，我联系了以前联系过我的腾讯音乐员工A，结果A出于帮助我的目的将我的简历群发，有几个部门的员工没有联系我却直接找我目前的上级，询问离职原因（我离职的时候才知道）。 对方看我的眼神已经越来越轻蔑。 第12个月，绩效结果C，原因： 你已经入职1年，仍然没有影响力，没有让人感觉你很厉害，你还是C，你要反思你自己。 考核当前季度我与别人合作一个复杂的H5活动，我负责活动整体布局及脚本编写，同时我在做其他东西。对方全职负责翻书动画部分，耗时3周，动画很炫，结果一致好评。对方升职，我继续得C。轮到我开发H5活动的时候只有我一个人，动画部分逻辑相比翻书逻辑简低一个档次，为业务策划逻辑如此，时间只有3天（还有2天是周末）。 离职，已经没有办法继续工作下去。 在深圳找找工作经常会被问到为何离职？你在京东这样的公司都干不长。在腾讯内部本来有几位联系人但是因为绩效结果，没人要我。 几个月没找到合适的工作。 在深圳游览过几次，想过定居，灰溜溜的离场。 一点活不干，一点技术不研究，每天躲在角落里抽烟，认了几个干妹妹，油嘴滑舌左右逢源，和上学时候遇到的小混混一模一样。
在macOS上深度清理你的电脑
LittleClean 是一款强大而智能的 macOS 系统清理及开发者工具管理软件。它能帮助您轻松彻底地卸载应用程序、安全地清理缓存与日志，并移除残留文件以释放宝贵的磁盘空间，同时提供对已安装的开发环境及全局包的深度透视功能。 安装与运行 您可以从 Releases 页面下载最新编译好的版本。（最低支持 macOS 14） 或者，您也可以克隆仓库后使用 Xcode 编译并运行。 功能特性 应用卸载 (Uninstall Apps) 轻松且彻底地移除不需要的应用程序，同时自动清理其关联的缓存、偏好设置及残留文件。 安全清理 (Safe Cleanup) LittleClean 能够对占据磁盘空间的无用文件进行分类并安全清理： 系统废纸篓与日志: 清空废纸篓并清理系统日志。 应用缓存: 清理 ~/Library/Caches 以释放空间。 应用保存状态: 移除应用的 Saved Application State。 已卸载应用残留: 智能检测并移除 ~/Library/Application Support 中已经被卸载的应用残留文件。 用户目录残留: 发现并清理主目录下过时的隐藏配置文件和无用数据。 深度分析 (Deep Analysis) 完整掌握您的开发环境及全局依赖包的大小和位置，并提供 Xcode 专属清理： Xcode & iOS 开发者专属清理: 快速清理 DerivedData、打包的 Archives、核心模拟器缓存，并自动移除失效模拟器。 Homebrew: 追踪已安装的 Formulae 和 Casks。 Node.js: 全面扫描 Node.js 安装情况，支持所有主流版本管理器（nvm、fnm、volta、asdf、nodenv、n、Homebrew、/usr/local 及环境变量 PATH），精准定位全局包。 全局包管理器: 查看以下工具的全局包及占用空间： npm, pnpm, Yarn Cargo (Rust) Ruby Gems Go Pipx (Python) 开发工具缓存: 追踪主目录下各种开发工具产生的缓存数据。 高级搜索与导航 实时搜索: 瞬间过滤出你想要的缓存、工具或残留项。 在 Finder 中显示: 一键在 Finder 中定位并打开具体的缓存目录或应用程序，方便手动检查。 可视化存储指示器: 直观的磁盘使用情况进度条，一目了然地查看已用和可用空间。
由 Qwen3-TTS 提供支持的 Mac 文本转语音 App
随着大语言模型时代的到来，文字转语音（Text-to-Speech，简称 TTS）技术经历了从“机械呆板”到“宛如真人”的跨越式发展。然而，市面上高质量的 TTS 服务往往依赖于云端 API，不仅带来高昂的字符计费成本，更伴随着严重的文本数据泄露隐患。 对于注重数据隐私与内容资产安全的 Mac 用户而言，寻找一款能够在本地离线运行且声音逼真的 TTS 工具显得尤为迫切。今天，我们将深度评测 macOS 端的全能语音应用 VoiceWeaver，看看它是如何通过集成前沿的 Qwen3-TTS 模型，在 Mac 上重塑离线文字转语音体验的。 为什么 Qwen3-TTS 能够成为 Mac 本地语音生成的破局者？ 以往在本地设备上运行的 TTS 模型往往存在“发音生硬”与“算力开销大”两大痛点。而 Qwen3-TTS（千问第三代语音大模型）通过先进的自回归 Transformer 架构，实现了音色、情感与语调的高度拟真。 自然情感表达：Qwen3-TTS 告别了传统拼接合成技术的机械感，能够根据上下文精准理解文本情绪，在朗读时自然呈现停顿、重音与叹词。 Apple Silicon 深度优化：在 VoiceWeaver 中，复杂的模型推理过程被充分适配到了 Mac 的 M 系列芯片（M1/M2/M3/M4）上，CPU 与神经网络引擎（Neural Engine）的高效协同，让长文本生成变得无比流畅。 绝对的数据隐私保护：所有的音频合成计算均在 Mac 内存中离线完成，剧本、公文、机密学习资料等敏感文本再也无需上传至任何第三方服务器。 VoiceWeaver 文字转语音（TTS）核心功能实测 VoiceWeaver 将 Qwen3-TTS 引擎包装在了一个极简、高效且极具 Mac 原生质感的交互界面中。以下是其最亮眼的四大核心能力： 全球多语种支持与多元化高拟真音色 模型原生支持包括中文、英文、日语、韩语、法语、德语、西班牙语、意大利语、俄语与葡萄牙语在内的全球主要语言。同时，内置了风格各异的专属发音人（Speaker），如沉稳的 Ryan、活泼的 Vivian、充满故事感的 Uncle Fu 以及甜美的 Ono Anna 等，完美覆盖有声书配音、外语学习发音示范及短视频旁白制作场景。 首创 Prompt 情感指令（Style Instruction）操控 与绝大多数只能“硬读”的工具不同，VoiceWeaver 赋予了 Qwen3-TTS 极强的可玩性。用户可以在专属的“风格指令（Instruction）”面板中，输入自然语言 Prompt（例如：“请用激动、快速且带有悬疑感的声音朗读”），模型便会听懂指令，瞬间改变合成音频的节奏、音高与情绪渲染。这种零样本（Zero-shot）的声音克隆与控制能力，极大地丰富了创作者的表达空间。 智能文本断句与极速流式生成架构 针对上万字的长篇小说或文档，VoiceWeaver 并没有采取死板的全量等待策略。其内置了智能文本切分器，能够将长篇巨著按照语义和标点动态切割。模型一边生成、系统一边无缝拼接音频，不仅彻底消除了内存溢出的风险，更让合成进度条如丝般顺滑。 沉浸式会话管理与波形音频播放器 VoiceWeaver 摒弃了单次生成的简陋设计，引入了类似聊天软件的会话管理（TTS Conversation）理念： 历史记录沉淀：每一次的文字指令、使用的音色与生成的音频都会被完整保存在左侧的独立会话中，随时支持回溯。 交互式播放与导出：生成的音频附带直观的频谱波形图，支持拖拽定位播放（Seek）、随时暂停，并允许用户一键将成品音频无损导出为 .wav 格式。 传统云端 API 与 Mac 本地 Qwen3-TTS 方案对比 核心痛点 VoiceWeaver (搭载 Qwen3-TTS) 传统云端文字转语音服务 使用成本 依靠 Mac 自身算力，零订阅费、无限量生成 按字符或千字严格计费，中长篇成本极高 数据安全 文本与生成的录音完全留存在 Mac 本地硬盘 所有文本内容均成为云厂商服务器的数据集 环境依赖 随时随地可用，高铁、飞机断网环境毫无影响 深度依赖网络质量，断网即瘫痪 情感控制 支持基于自然语言指令（Prompt）精准干预情绪 通常只能选择固定的生硬声调，或提供极其有限的参数 在 Mac 上快速开启你的 TTS 创作之旅 新建会话与选定音色：在 VoiceWeaver 侧边栏新建会话，并选择心仪的 Qwen3-TTS 语言（如中文）及发音人（如 Aiden）。 输入文本与指令：在文本框内粘贴需要转换的文字内容；如有特定情绪要求，可在“风格指令”框内补充 Prompt。 一键本地生成：发送后系统将调动 Mac 本地算力高速推理，实时反馈生成进度。 试听与保存分发：生成结束后，点击播放按钮对照波形进行试听。确认无误后即可将成品音频保存为 WAV 母带格式。 结语 将庞大的前沿 AI 模型私有化、本地化，正在成为注重隐私与效率的 Mac 用户的新共识。VoiceWeaver 与 Qwen3-TTS 的完美结合，不仅是一次在 macOS 上探索离线 AI 算力的成功实践，更为广大视频创作者、教育工作者及文字写作者提供了一个无惧隐私泄露、真正实现“声音自由”的终极文字转语音平台。告别昂贵的云端订阅，是时候在你的 Mac 上唤醒这个专属于你的顶级配音员了。 从App Store下载
基于 OpenAI Whisper Large V3 的本地离线Mac语音转文字App
在日常工作中，无论是整理会议录音、为视频制作字幕，还是将访谈音频转换为文字，高精度的语音转文字（Speech-to-Text）都是核心需求。传统的云端语音识别服务往往存在数据隐私泄漏风险、按时计费昂贵以及强依赖网络的问题。 随着 OpenAI Whisper 神经网络模型的发布，本地离线语音识别的技术瓶颈被彻底打破。本文将深入剖析搭载 Whisper Large V3 模型与 Apple CoreML 硬件加速的 macOS 应用 VoiceWeaver，探讨如何在本地实现高速、高准确率、零隐私风险的语音转文字与 AI 智能总结体验。 为什么 OpenAI Whisper 成为语音识别的核心标杆？ OpenAI Whisper 是基于 Transformer 架构端到端训练的弱监督语音识别模型，经过超过 68 万小时的多语种与多任务音频数据训练，具备以下技术优势： 强抗噪与口音识别：面对背景杂音、重口音或专业术语，Whisper 仍能输出精准的转写结果。 支持 100+ 全球语言：内置中文（含简/繁体）、英语、日语、韩语、法语、德语、西班牙语等全球主要语言的自动语种检测与转写。 自动标点与格式规范：能够根据语境自动补充句号、逗号并规范大小写，免去繁琐的手动断句。 Whisper Large V3 与 Large V3 Turbo 模型对比 VoiceWeaver 集成了两款顶级的 Whisper 官方模型供用户按需选择： Whisper Large V3（精准模式） 拥有 15.5 亿参数量，在处理复杂语境、多人交替发言、方言混杂或高难度专业词汇时表现极佳，适合高要求的采访稿、法律听证与严密会议记录。 Whisper Large V3 Turbo（极速模式） 基于 Large V3 进行蒸馏优化的最新版本。精简了解码器层数，在保留大模型高准确率的同时大幅降低计算开销，转写速度提升数倍，适合超长音频处理与视频字幕制作。 WhisperKit + CoreML 硬件加速架构 VoiceWeaver 借助 WhisperKit 框架将 OpenAI Whisper 模型转换为 Apple 官方 CoreML 格式，针对 Apple Silicon 芯片实现了底层硬件加速： CPU + GPU 混合计算：音频编码器（Audio Encoder）调用 CPU 与 GPU 多核并发加速。 Neural Engine (NPU) 绑定：文本解码器（Text Decoder）绑定 Apple Neural Engine 硬件专用芯片，大幅降低功耗与发热。 幻觉词抑制：采用静音抑制算法（Suppress Blank），有效解决传统模型重复生成标点或虚构文本的问题。 VoiceWeaver 核心应用功能实战 实时麦克风听写与 30fps 动态波形 支持开启麦克风实时听写，并以 30fps 刷新率绘制音量分贝与声波频谱波形，录音结束后无缝调用 Whisper 引擎完成转写。 音视频文件导入 支持将外部音视频文件拖入窗口，兼容 MP3, WAV, M4A, AAC, FLAC, OGG 以及 MP4, MOV 等主流媒体格式。 精确时间戳与波形同步播放 Whisper 识别结果会自动切分为带有起止时间戳的分句段落。点击任意文字句子，内置播放器即可秒级跳转至对应的音频声轨位置进行校对。 SRT / WebVTT 字幕规范导出 一键导出带有毫秒级时间戳的 .srt 与 .vtt 字幕文件。内置自动折行算法与 UTF-8 BOM 编码，确保导入 Final Cut Pro、剪映、Premiere 等软件时不卡顿、不乱码。 Whisper 文本 + 本地 Qwen2.5 AI 智能总结 结合基于 Apple MLX 框架运行的本地 Qwen2.5-7B 大语言模型，转写完成后无需连接外网或配置 API Key，即可一键生成结构化会议纪要（包含核心概览、关键要点、详细梳理与后续行动）。 云端 API 与本地 Whisper 模型对比 对比维度 VoiceWeaver (本地 Whisper) 传统云端语音识别 API 数据隐私 100% 本地计算，数据零上传 音频上传至云端，存在隐私泄漏风险 网络依赖 完全离线可运行 必须全程保持稳定联网 识别质量 Whisper Large V3 顶级模型，高抗噪 质量参差不齐，小语种容错较低 使用成本 一次获取，无限次免费转写 按识别时长按次/按月持续扣费 字幕与工具链 内置时间戳编辑、波形定位与 SRT 导出 通常仅返回纯文本 JSON 高效转写使用步骤 选择 Whisper 模型：在界面选择“准确 (Whisper Large V3)”或“快速 (Whisper Large V3 Turbo)”模式。 载入音频数据：通过文件选择器或直接拖拽将音视频文件载入应用。 启动 Whisper 转写：点击转写按钮，实时查看百分比进度。 文本校对：在列表中点选句子同步播放音频，支持直接内联修改与撤销恢复。 导出字幕或总结：一键导出 SRT/VTT 字幕文件，或生成 AI 结构化会议纪要。 常见问题 FAQ Q1: 在 M 芯片 Mac 上运行 Whisper Large V3 模型会卡顿吗？ 不会。VoiceWeaver 采用了针对 CoreML 优化的 Whisper 权重，充分调动了 Apple Silicon 的 GPU 与 Neural Engine，在 MacBook Air 等轻薄设备上也能实现流畅转写。 Q2: Whisper 模型支持中英混合识别吗？ 支持。OpenAI Whisper 在训练阶段融入了海量多语言混杂音频，能够精准识别中英文混合演讲及含有英文专有名词的会议场景。 从App Store下载VoiceWeaver
你的忍让，正让你陷入情感操控
这段视频主要讲解了一种被称为“驯化”（Grooming）的情感操控模式。这是一种循序渐进的过程，操控者会通过几个步骤来试探和降低你的底线，最终达到控制你的目的。 【操控的典型过程】 1. 初期示好 ：对方会先给予你大量的关注、赞美和善意，让你感觉被珍视，从而卸下防备。 2. 收集信息 ：在你放松警惕时，对方会暗中收集你的喜好、不安全感和软肋，作为日后操控你的筹码。 3. 越界试探 ：关系稳定后，对方会开始进行一些微小的、略带冒犯的越界行为，比如开让你难堪的玩笑，或忽视你的感受，以此来测试你的反应。 4. 逐步升级 ：如果你为对方找借口、选择忍耐或不了了之，对方就会认为你 tolerates mistreatment（能忍受被虐待），并逐步升级其行为。 【如何识别与应对】 留意“示好之后”：观察对方的温暖和善意是否带有条件，当你的行为不符合其意愿时，这种“温暖”是否会消失。 关注身体感受：当被操控时，身体往往比大脑更早察觉。注意是否感到紧张、焦虑或混乱。 进行“拒绝”测试：在关系早期，可以尝试拒绝一件小事，观察对方的反应。健康的人会尊重你的选择，而操控者则可能表现出受伤、施加压力或冷战。 向他人倾诉：将让你不舒服的事情说给信任的朋友听，不要独自在脑海中合理化这些行为。 做好离开的准备：认识到如果一段关系让你持续感到自我怀疑和痛苦，它可能是一个陷阱。要敢于为了保护自己而结束这段关系。 http://xhslink.com/o/AhP3mQ859IB
我在工作中得到的认可
你不会沟通，你要多和别人交流，你太内向了。 你要多和别人沟通。 别人都做到了，你没做到，你也别不服气，你想做看看你会什么？能做成吗？如果我说错了，是我有眼无珠，你可以大摇大摆的走出阿里的大门。 别人跑到楼上去沟通，你没有。你原来在阿里上班，以为你会很厉害，结果并没有感觉到。你没达到预期。你看看别人，都觉得人家很厉害，你自己要去发掘。 别人是名校你是什么？你一直没影响力。 给过你2次机会了，你不合适，你要去看人家需要什么？。 你和别人沟通的太少，你表现出来的能力不足，薪酬太高，学历不行，其他2位员工，一位工作很多年，另外一位是海龟，你是什么？你明天不用来上班了。 我觉得你做的不怎么样，80分是最低分你是80分，没有低于80分的（重复3-4次）。影响自己影响别人。可以给你放几天假调整一下。骚扰女员工严重影响别人的工作。 我一直觉得你没融入进去。 你要跑过去和别人沟通！ 你绩效不合格，你要全部扑上去才行，你考虑一下你的发展问题（重复3次），可以帮你转岗。
我觉得你不会沟通
1. 这种“喷”是他们的防御机制 对于不干活、只靠“沟通”生存的人来说，“沟通量”=“工作量”。 他们的逻辑： 如果一个问题 5 分钟说清楚了，那剩下的 55 分钟他在干什么？为了证明自己很忙，他必须把鸡毛蒜皮的事无限扩大，拉长会议，制造复杂的讨论。 你的阻碍： 当你用三言两语直戳本质、解决问题时，你实际上是在缩减他的工作时长，照出了他的无所事事。所以他必须喷你“不会沟通”，本质是想把你拉回那个低效的泥潭里，陪他一起“表演忙碌”。 定义权的争夺：他在设定“沟通”的标准 传话筒式员工最擅长**“定义游戏规则”**。 他的定义： 沟通 = 情绪价值 + 站队 + 废话文学 + 表面上的热络。 你的定义： 沟通 = 信息传递 + 解决问题 + 达成共识。 冲突点： 因为他无法在“解决问题”上赢过你，他只能在“情绪和形式”上攻击你。通过喷你“不会沟通”，他成功地把评价标准从**“产出质量”转移到了“社交礼仪”**上。 “降维打击”带来的失控感 恐惧源于未知。 正如我们之前讨论的，这种人对踏实干活的技术人有天然的恐惧： 你是不透明的“黑盒”： 你话少、干活快，他看不透你的逻辑，也插不上话。这种失控感让他非常焦虑。 通过贬低找回自信： 他听不懂你的技术方案，但他能评价你的“态度”。通过喷你，他试图在心理上位阶上压你一头，寻找一种“虽然你技术牛，但你还得听我协调”的虚假优越感。
裁员生存手册[转载]
声明一下：以下是守规矩的大公司 “anti-laying off” 攻略，如果你的公司不守规矩或者是小公司，则不一定适用。 一共 12 条 tips 。正文开始： 真正的离职赔偿是 2N 起步，而非以讹传讹的 N+1 。因为 2N 是劳动合同法规定的资方违约裁员的补偿标准。只要你不同意被裁，公司就只能单方面违约，因此必须最低给 2N。 计算赔偿金的时候，年终奖要计入员工收入。中国的劳动法、劳动合同法没有“年终奖”这个概念，只有奖金。如果你是年薪制（大厂程序员基本都是这样），那么年终奖就是你的合法收入，分家的时候要计算在内，而非看公司脸色。当然，也有判例不支持年终奖的，要一事一议，但自己的诉求一定要提出来。另外中国有一个 《关于工资总额组成的规定》，不是法律，只是个法规，但依然可以用来支持年终奖诉求。 在最终谈判阶段，对付大公司最有效的策略是 “躺平”，公司和领导最担心你“污染”整个职场，而你每多呆一天都是拿工资的。派活？痛快接。到期问进度？ Delay 。简而言之，就是 把”我躺平”三个字写在脸上但又永远不要明说。如果你有一个零产出、污染环境、还工资照发的员工，想想到底谁最着急？ 不要做什么”整顿职场”的蠢事，少说、多听、不做事。谈判会持续多轮，因此前面几轮尽量少表达个人态度，不要显得自己很着急很气氛，多获取对方的情报。慢慢来，充分表达出”很喜欢公司、愿意为公司奋斗终生”的正能量，胸有成竹、或者起码让别人以为你胸有成竹。 通读 《劳动合同法》（注意，不是劳动法），这本小册子将是最近 5 年内给你带来最高回报的一本书。例如，一晚上读完然后让你多拿两个月工资。 公司百分百会以绩效问题劝退你。告诉你一个劳动纠纷领域的细节，公司想要合法裁员，首先要培训、然后调岗、最后还要证明你绩效不行。而前两点都必须获得你的同意才能继续。换言之，只要你够硬，公司就不可能“合法”的裁掉你。至于第三点“证明绩效”，这是个不可能完成的任务，按照中国的判例比例，只要公司以“绩效不达标”的理由来裁员，95% 的企业会在法庭上败诉。所以，公司和你谈绩效，你的反应是： “不接受，不辩驳，绩效这种东西主观性很强，咱们求同存异”。 必要的时候，把这个败诉比例告诉 HR ，让他们长长见识。 谈判的核心是 “离职 package”，也就是落实到具体多少钱上，不要被眼花缭乱的说法迷了眼。有时候公司会用 “缓冲期” 来替代一部分赔偿金，这个是可以接受的，毕竟缓冲期不用上班还有工资。 如果 HR 以背景调查、离职证明、你的行业声誉来威胁你，你告诉他，你已经录音，他所说的内容已经涉嫌敲诈勒索和侵犯名誉权（是真的涉嫌，不是吓唬他），如果发现他做了相关行为，你会发起刑事自诉附带民事诉讼。 后面就不是你和他谈判了，而是公安和检察院和他谈判了。都是为了赚钱，没必要把自己兜进去。 离职证明是用来表明劳动关系解除的法律文件，仅此而已，不能写什么离职原因、员工绩效，更不能写小作文。如果他们写了，恭喜你，又来钱了。 劳动仲裁都是搅混水的。真到了非仲裁不可的地步，认真准备仲裁材料，但别指望能给你解决问题。要认真准备民事诉讼，可以不请律师，自己 DIY。 所有谈判对话都要录音，不要管什么取证合法性，先录了说，未来用不用再说。开会谈判，你可以带两个手机，一个藏起来录音，另一个放桌子上当面关机。 这些录音在未来可以用来复盘，不一定作为法庭证据。 不要陪领导和 HR 玩什么公司游戏，例如什么职业道德委员会、什么绩效申诉等等。 “入此门者，当放弃一切希望”。 不要指望有个青天大老爷帮你这个“弃子”匡扶正义。你从知道要被裁员那天起，就已经站在公司的对立面了。
媚上者必然欺下
这种人的世界观里没有“平等”和“尊重”，只有“强弱”。在他们看来，比自己强的人（上司）是用来讨好的资源，而比自己弱的人（下属/服务者）则是可以随意消耗或发泄的工具。 在尊严全无地讨好上位者时，他们内心积累了大量的屈辱感和压抑。为了维持心理平衡，他们往往会将这种负面情绪通过“向下欺凌”的方式排解出去，找回虚假的“掌控感”。
善有善报，恶有恶报?[转载]
易中天说：“读懂二十四史，你会发现一个可怕的真相，好人其实并没有好报，坏人也并没有恶报，只有强大的人，才有好报，只要是弱小，全都是恶报。” 老话常说“善有善报，恶有恶报”，可翻遍二十四史，满纸写的都是“弱肉强食”。你看那忠良之臣，哪怕鞠躬尽瘁，若手里没权、身后没势，稍有不慎就落得“飞鸟尽，良弓藏”的下场；反观有些奸佞之辈，只要攀附权贵、手握实权，哪怕作恶多端，也能安享富贵。 小到个人，贫居闹市无人问，富在深山有远亲；中到家族，门庭兴旺时宾客盈门，家道中落时树倒猢狲散；大到王朝，强国说一不二，弱国连话语权都没有。不是好人不够好，也不是坏人不够坏，是弱就像一道枷锁，把“好报”牢牢锁死，强才是钥匙，能打开命运的任意门。 古人讲“天行健，君子以自强不息”，说白了就是劝人要变强。你弱的时候，讲道理没人听，行好事没人记，连呼吸都像碍着别人；你强的时候，不用刻意讨好，不用委屈求全，连你的习惯都会被当成规矩。史书里没那么多温情脉脉，只有“成者为王，败者为寇”的铁律。 道德是给弱者定的规矩，强者自有强者的游戏。你以为的“好人”，可能是没能力争、没资本抢，才退而求其次守着“好”的名声；你看到的“恶报”，多是弱者作恶，一旦强者坏起来，往往连史书都要为他粉饰。 都说“公道自在人心”，可人心也常跟着强弱走。弱的时候，公道是别人嘴里的话，想怎么说就怎么说；强的时候，公道才是自己手里的秤，想怎么量就怎么量。
忆往昔峥嵘岁月稠
北平在我看来非常浪费，我是向朋友借钱去北平的，所以一到就得找事。那时，湖南师范学校的伦理教员杨杨昌济在北京大学做教授。我就去求他帮助我找事。他将我介绍给北大的图书馆长，这人就是李大钊，后来变成中国共产党的创立人，结果被张作霖杀害。李大钊给我工作做，叫我做图书馆佐理员，薪俸是每月8块大洋。 我的职位如此之低，以致人们都不屑和我来往。我的工作之一就是登记来馆读报的人名，不过这般人大半都不把我放在眼里。这许多人名之中，我认为有几个新文化运动著名的领袖，是我十分敬仰的人想和他们讨论关于政治和文化的事情，不过他们都是极忙的人，没有时间来倾听一个南边口音的图书馆佐理员所讲的话。 但是，我并不因此而丧气，我仍然参加哲学研究会和新闻学研究会，想借此能听大学里的课程。在我服务北大时，所遇到的人中，有两个现在是南京高级的官吏，一个是中国苏维埃政府的副主席，还有个加入共产党随后又成了所谓“第三党”的党员，再有一个则后来加入加利福尼亚的“三K党”。在这里我也遇到了杨开慧，而且发生恋爱，后来结了婚，她是我的好友杨教授的女儿。 我对政治的兴趣继续增高，同时我的头脑愈来愈激进。至于所以会如此的背景，则上面已经讲过了。不过，当时我还彷徨，还在“找出路”。我读了几本无政府主义的小册子，很受影响。我和一个常来看我的北大学生时时讨论无政府主义和它在中国的可能性。 我自己在北平的生活是十分困苦的。我住在一个叫“三眼井”的地方，和另外七个人合住一个小房间。我们全体挤在炕上，连呼吸的地方都没有，每逢我翻身都得预先警告身旁的人。不过，在公园和故宫的宫址，我看到了北国的早春；在坚冰还盖着北海的时候，我看到了怒放的梅花；北京的树木引起了我无穷的欣赏。［我看到北海的垂柳，枝头悬挂着晶莹的冰柱，因而想起唐朝诗人岑参咏雪后披上冬装的树木的诗句：“千树万树梨花开。”北平数不尽的树木引起了我的惊叹和赞美］