代码, 是最好的简历

https://github.com/TokenRollAI/talent-hub-cn

# 代码, 是最好的简历

## 1. 这是什么?

一个基于真实开源贡献, 高信噪比的人才和招聘平台. 一个能够获得真实反馈, 直接触达的平台.

* **对于开发者 (求职者):** 帮助优秀的开发者通过其可查证的开源贡献,绕过传统简历筛选,直接触达懂技术的招聘方,找到更高质量、更匹配的工作机会。

* **对于招聘方 (企业/团队):** 提供一个高信噪比的人才池,让他们能精准地找到在特定技术领域有实际贡献和经过验证的候选人,极大降低技术筛选成本和时间。

## 2. 如何运作

我们利用 GitHub 原生的 Issue 和 Label 功能来构建整个流程,无需任何外部工具。

### 🙋 对于求职者

1. 点击仓库上方的 **[Issues](https://github.com/TokenRollAI/talent-hub-cn/issues)** 按钮。

2. 点击 **[New issue](https://github.com/TokenRollAI/talent-hub-cn/issues/new/choose)**。

3. 选择 **`🚀 求职`** 模板。

4. 按照模板的指导,填写你的信息。**请务必将你的核心贡献(Commit/PR链接)放在最显眼的位置**。

5. 提交 Issue,你的求职信息就会出现在看板中。

6. 重要的事情: 我们希望你的 **标题足够规范** ,这有利于招聘方精准的提取你的信息,提高沟通效率以及你的求职效率。

eg: [期望城市][技术方向][工作模式]简要介绍...

### 🏢 对于招聘方

#### 📝 发布招聘信息

1. 点击仓库上方的 **[Issues](https://github.com/TokenRollAI/talent-hub-cn/issues)** 按钮。

2. 点击 **[New issue](https://github.com/TokenRollAI/talent-hub-cn/issues/new/choose)**。

3. 选择 **`🏢 招聘`** 模板。

4. 按照模板填写职位信息,**重点突出为什么要加入你们**。

5. 提交 Issue,你的招聘信息就会出现在看板中。

#### 🔍 筛选简历

1. **浏览人才库:** 直接访问 **[Issues](https://github.com/TokenRollAI/talent-hub-cn/issues)** 页面查看所有求职者。

2. **精准筛选:** 利用右侧的 `Labels` 按技术方向、工作模式等维度筛选,或使用搜索功能按城市关键字筛选。

3. **直接沟通:** 对感兴趣的候选人,直接在其Issue下留言或通过联系方式沟通。

## 3. 标签系统 (Label System)

为了保证信息的可筛选性,我们定义了一套严格的标签体系。

### 类型 (Type)

`求职` / `招聘`

### 技术方向 (Field)

`前端`/`后端`/`移动端`/`数据开发`/`运维`/`AI`/`AI Infra`/`算法`

### 工作模式 (Commitment/Mode)

`全职` / `兼职` / `实习` / `远程`

# 评价体系

招聘Issue中, 如果被评论举报2次, 会被直接被载入 [黑名单](./fuck.md)

相反, 如果获得了极为良好的反馈, 您可以发PR将其写入 [推荐名单](./great.md)

当然, 您可能会疑问: 为什么没有求职者黑名单/推荐名单? 求职者是相对弱势群体, 我们保护自己, NHN(niuma help niuma).

全部评论

相关推荐

1️⃣RAG 有哪几个步骤?Step1:将文本分割成块;Step2:使用编码模型将这些块嵌入到向量中,将所有这些向量放入索引中;Step3:LLM 创建一个提示,告诉模型根据我们在搜索步骤中找到的上下文来回答用户的查询。2️⃣实际项目中RAG有哪些优化技巧?首先召回源会考虑多路召回,在召回后面增加一个重排序的阶段,提升召回的质量。另外,重排序模型以及生成模型会根据系统问答的指标情况,进一步微调。3️⃣RAG 中为什么会出现幻觉?出现幻觉问题主要分为两大类,一是生成结果与数据源不一致,训练数据和源数据不一致、数据没对齐或者编码器理解能力的缺陷导致;二是用户问题超出了大模型的认知,用户的问题不在语言模型认知范围内导致。4️⃣RAG 一般怎么做效果评估?RAG 做效果评估主要是针对检索和生成两个环节。对检索环节,我们可以采用 MRR 即平均倒排率,前 k 项的 Hits Rate 命中率, NDCG 排序指标等。生成环节首先是量化指标,再评估生成答案的多样性,看看模型是否能够生成多种合理且相关的答案。还需要引入人类评估,考虑资源效率。5️⃣针对幻觉的问题,有什么解决思路?加入一些纠偏规则,比如采用 ReAct 的思想,让大模型对输出的结果进行反思。还有一种思路是集成知识图谱,即不再局限于向量数据库匹配,做召回时不仅考虑文档块,同时还考虑图谱的三元组。将知识图谱( KGs )集成到 RAG 中,通过利用知识图谱中结构化且相互关联的数据,可以显著增强当前 RAG 系统的推理能力。6️⃣在实际做项目中,经常遇到各种边界的 case ,一般怎么解决?这个需要分情况来看,首先是无效问题:如果对于知识库中没有的问题,我们需要做一个准入的判别,判断是否需要回答。一般是一个二分类模型,或者直接用大模型+ prompt 来做,使模型在这种情况下输出一个预设的兜底话术。第二个是减少幻觉,在推理模块中添加规则和提示工程技术。还有一种是格式错误:模型可能会生成无法解析的答案,这种可以设计一个备份的代理大模型,当解析失败时,可以基于代理大模型直接生成简洁准确的总结。📳对于想求职算法岗的同学,如果想参加高质量项目辅导,提升面试能力,欢迎后台联系。
查看6道真题和解析
点赞 评论 收藏
分享
评论
点赞
收藏
分享

创作者周榜

更多
牛客网
牛客网在线编程
牛客网题解
牛客企业服务