魔门塔momenta内推-内推码

项目拷打非常细，介绍小厂实习做的项目的时候不仅关注技术细节，还有怎么部署，怎么改代码，你写了多少行，怎么实测等等实际问题，直接汗流浃背，写简历包装吹牛的时候没想到这么多。面试到后面语气越来越弱，最后代码题写出来也有错误，后面反问都不好意思问面试表现，还得沉淀

看到京东TGT的话题，想到五一节前在学校参加了一次京东组织的技术沙龙，那次活动就预告过京东会启动一个头部技术人才项目，现在终于官宣了哈哈哈。当时我的感受是整场活动技术浓度超标，更惊喜的是，在现场看到了京东零售供应链算法团队的大佬戚永志老师、还有之前通过京东DMT入职的清华学长，这场沙龙里给我更感动的点是，同学的提问都被详细回答了，真的收获远超预期。说到戚老师，我印象中他带领的团队获得了“INFORMS 奖” ，当时听到他分享的案例挺深刻的，也展示重大课题落地成果，只能说大佬就是大佬，自由交流的时候也有幸和戚老师聊了一会儿，老师真的是没有什么架子，非常开放坦诚地和我们聊了很多技术问题和行业的思考，还是挺大开眼界的。另外一位比较有亲切感的是清华学长高博士，他是从京东DMT项目入职的管培生（貌似TGT的前身就是DMT项目？），他谈到初入职场时参与的人工智能仓储项目，以及如何从底层算法优化一步步推动业务场景落地时，我也看到了一条清晰的技术人才成长路径。更让我触动的是他提到的DMT项目这个兼顾学术深度与产业实践的培养体系，让我意识到京东对技术人才的长线投资诚意，对今年的京东TGT项目更期待了。其实在参加沙龙时，我也留意到大佬们多次隐晦提及一个即将官宣的技术项目，直到5月初京东正式发布TGT，我才突然意识到原来那场沙龙里的卖关子，算不算是京东对技术人发起的提前邀请呢？这场分享讲真的，我感受到京东在供应链技术领域的 “国家队” 实力了。这次活动分享的很多课题我觉得挺新的，角度也比较不一样，对京东的了解也加深了挺多，会后我还搜了一下京东居然已经71w员工了，我觉得京东确实是从企业角度关心了广大劳动者，敬佩！哦对，现场还能抽PS5，也有小茶歇和人手一份的京东小狗伴手礼，也算是很有诚意了吧，虽然大奖上本中奖绝缘体基本上没指望过。后面还有好几场，包括北大、南大、哈工大这些，好像还有国外场次，如果是和我一样在观望TGT项目的，真的很建议大家去听听看，和大佬或者项目HR聊聊，还是能对TGT有更深度的了解吧（而且万一抽走PS5呢）。

哥哥们，Java现在还能搞吗，导师做的是计算机视觉，双非硕能找到工作嘛。还是靠应届生身份考个国有企业好点。23届工作一年考的压力有点大，当时做的实施，我现在有点怕上三年找不到工作就有点完蛋了。

RAG 是啥？RAG，全称 Retrieval-Augmented Generation，意思是 “ 检索增强生成 ” 。以前的 AI 模型知识有限，还可能答错或者答得不靠谱，而且企业用起来也不安全。RAG 就是来解决这些问题的！它能让 AI 在回答前先去 “ 图书馆 ” （知识库）搜资料，再给出答案。RAG 怎么干活？RAG 的工作流程简单来说就是三步走：你问我答：用户问问题，比如 “ 今天吃什么好？”，RAG 系统接收到了。翻书找答案：RAG 的 “ 小助手 ” 会飞快地在知识库里找相关资料，比如美食推荐、营养搭配之类的。整合输出：把找到的资料和问题混合在一起，扔进大模型里加工，生成一个超棒的答案，比如 “ 今天你可以试试清蒸鲈鱼，肉嫩味美，还很营养哦！”。RAG 的核心组件RAG 主要有两个核心组件：检索器（Retriever）：就像在图书馆里负责找书的管理员，能在知识库里快速定位到相关资料。生成器（Generator）：拿到资料后，它就像个作家，把资料和问题结合，生成最终的回答。RAG 跟其他技术比有啥厉害之处？对比直接用大模型 API 或者微调，RAG 有这些牛 X 的地方：知识更新快：知识库能实时更新，AI 就能立马掌握新知识，不用重新训练，省时省力。省钱省心：不用大规模重新训练模型，成本大大降低。不会忘事儿：不会像微调那样，在没训练过的任务上表现不好，稳稳地保留了模型的通用能力。不过呢，RAG 也有点小缺点，比如在特别需要深度理解和风格模仿的问题上，可能就没微调那么厉害。RAG 的关键环节和挑战文档切分（Chunking）：把文档切成合适的大小，就像切蛋糕一样，得找到那个完美的大小，不然可能影响检索效率。Embedding 模型选择：选对模型就像给汽车选发动机，直接决定向量表示的质量，影响后续的检索和生成效果。检索效果评估：得时刻监控检索的召回率和精确率，就像给检索系统做定期体检，有问题及时调整。向量数据库的作用：它是高效存储和检索向量表示的中流砥柱，就像给知识库装上了超级导航，能快速定位到相关信息。整体效果评估：要时不时对 RAG 系统来个全方位体检，从生成答案的准确性、相关性等方面打分，确保系统一直在线。