可以去冲一下大厂吗

当年还在美团那个倒霉的 Peppr 团队工作时，我一直有个疑问：这群人每天到底在自嗨什么。每次开会一堆人围着一堆“看起来很高级”的文档转，模板统一、名词复杂、页数感人，每一页都在暗示一件事：“你不懂，是因为你不专业。”但现实是——代码照样写在 💩 山上，该出问题还是会出问题，这真的很逗，系统一出问题，文档的唯一作用就是证明：“我们当初确实认真写过文档。”所以本质区别到底是什么？是代码质量提升了，还是大家在精神层面完成了一次“工程师 cosplay”？有句话说得好潮水退去才知道谁在裸泳。还记得当时的马哥、明哥（图 1 左）最爱反复强调一句话：“所有场景一定要想到。”、“这个场景为什么没考虑到？”不过他们这些话我是真的听进去了。不然我也不会在一年多前就说：这个项目活不过两年。顺带一提，那段时间还有个固定节目。每次下楼，总能听见我明哥在吐槽不同的人。我从他身后绕过去，经常能听到他一边抽烟一边说：“xx 这小子太坑了，回头我一定要跟马哥说说。”于是深谙人情世故但真不会抽烟的我也会从口袋掏出一支低尼古丁含量的烟给自己点上，假意自己什么都没听到什么都不知道，只是来抽烟的。后来我才明白，这可能也是团队文化的一部分：问题永远在别人身上，而我们，永远在复盘里😂。

原文链接：HikariLan's Blog 当提到“如何为大模型提供大规模的可用于检索的信息”时，我们第一反应想到的大概率是 RAG 一类的解决方案，但现在我要说，基于文件系统访问（FileSystem Access）的检索方式可能远比使用 RAG 更好。 什么是 RAG？为什么需要 RAG？ **Retrieval-Augmented Generation（检索增强生成，RAG）**是一种可以允许 LLM 从大规模非结构化信息中进行语义检索的技术方案。 我们之所以需要 RAG，是因为大模型内置的知识内容可能不符合我们的需要，例如这些内容可能已经过时（因为用于大模型训练的语料库并不会随着使用者...