Silverlight QQ的联想

Silverlight QQ的联想非常同意Livesion的观点:“腾讯依靠其绝对的用户基数可以保证新产品强劲的生命力,即便功能再一般、“模仿”再不到位,也总能在这个市场占有一席;也因为其用户基数和QQ软件的覆盖率,推广一项产品(比如:Silverlight)恐怕也是国内最有效、最有针对性的!” WebQQ是Web2.0的催生产物,腾讯也看到了SNS产业上的巨大市场,凭借中国的产业龙头地位,怎能不趁机肆虐一把,呵呵。

大家好,又见面了,我是你们的朋友全栈君。

非常同意Livesion的观点:“腾讯依靠其绝对的用户基数可以保证新产品强劲的生命力,即便功能再一般、“模仿”再不到位,也总能在这个市场占有一席;也因为其用户基数和 QQ 软件的覆盖率,推广一项产品(比如:Silverlight)恐怕也是国内最有效、最有针对性的!”

 

WebQQ是Web2.0的催生产物,腾讯也看到了SNS产业上的巨大市场,凭借中国的产业龙头地位,怎能不趁机肆虐一把,呵呵。

 

只是没有推出FLASH版本觉得非常奇怪,按理FLASH也是Silverright的前辈了,并且开发RIA也是非常成熟的,倒是这点也让人不免对微软的产品产生敬畏,一向是以轻便快捷,客户为先的微软,几乎已经把握了RND的命脉,VS09在中国软件评比也是一支独秀当仁不让。

 

RIA已经经历了相当一段时间的沉淀,似乎仍没有找到银弹,虽然FLASH曾经如此的风光过,仍看好,却依然非常担心。。。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请联系我们举报,一经查实,本站将立刻删除。

发布者:全栈程序员-站长,转载请注明出处:https://javaforall.net/160728.html原文链接:https://javaforall.net

(0)
全栈程序员-站长的头像全栈程序员-站长


相关推荐

  • Weblogic性能优化(图解)

    Weblogic性能优化(图解)

    2022年3月3日
    36
  • matlab中wavedec2,wavedec2函数详解[通俗易懂]

    matlab中wavedec2,wavedec2函数详解[通俗易懂]很多人对小波多级分解的wavedec2总是迷惑,今天就详释她!wavedec2函数:1.功能:实现图像(即二维信号)的多层分解,多层,即多尺度.2.格式:[c,s]=wavedec2(X,N,’wname’)[c,s]=wavedec2(X,N,Lo_D,Hi_D)(我不讨论它)3.参数说明:对图像X用wname小波基函数实现N层分解,这里的小波基函数应该根据实际情况选择,具体选择办法可以搜之或者…

    2022年7月24日
    10
  • docker(7)docker-compose容器集群编排「建议收藏」

    docker(7)docker-compose容器集群编排「建议收藏」前言实际工作中我们部署一个应用,一般不仅仅只有一个容器,可能会涉及到多个,比如用到数据库,中间件MQ,web前端和后端服务,等多个容器。我们如果一个个去启动应用,当项目非常多时,就很难记住了,所有

    2022年7月31日
    6
  • Android Studio入门教程(新手必看)[通俗易懂]

    Android Studio入门教程(新手必看)[通俗易懂]上篇文章已经说过了AndroidStudio的安装配置,从这里开始我们就来完成第一个Android项目吧!如何安装配置还不太熟悉的可以参考这篇文章:AndroidStudio安装配置详细步骤(超详细) 让我们开始第一个Android项目吧1.建立项目选一个EmptyActivity,然后Next默认即可,点击FinishName:文件名Savelocation:文件的保存位置Language:默认Java,会用Kotlin的也可以更改APIlevel:默认即可,级别低运行

    2022年5月1日
    147
  • 本地服务器跟本地工作目录同步的路径

    本地服务器跟本地工作目录同步的路径

    2022年2月23日
    36
  • 最小二乘法正规方程推导过程

    最小二乘法正规方程推导过程最小二乘法正规方程推导过程线性回归岭回归:添加L2L_2L2​正则项输入样本X∈Rm×n\textbf{X}\in\mathbb{R}^{m\timesn}X∈Rm×n,输出y∈Rm×1\textbf{y}\in\mathbb{R}^{m\times1}y∈Rm×1,需要学习的参数w∈Rn×1\textbf{w}\in\mathbb{R}^{n\times1}w∈Rn×1。其中,mmm为样本个数,nnn为单个样本维度。线性回归最小化目标函数J(w)=12∥y−Xw∥22J(\

    2022年5月16日
    39

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注全栈程序员社区公众号