关于工作环境：base深圳前海 内部配置绝了。一整栋50层都是oppo哒，我的工位可以看到欢乐港湾和大海，零食柜自给，很感动的是每层都提供独立的隔音室，3层饭堂里，23楼是最好吃的 周边很繁华。楼下三层是大商场，午饭后我一般会和其他实习生姐妹去citywalk，好多奶茶店，茶救，奈雪 喜茶，瑞幸，奶白，煲珠公每天换着喝，好幸福 关于工作氛围 感受到相当年轻，相当扁平的氛围，我们组（销售运营部）有三个哥哥姐姐直接对接我，她们人真的很nice，笨笨的我不会时，问她们都会耐心解答~~ 于工作内容 感觉出入还是有的，问了哥哥姐姐，他们收到五六十份简历，面了6个，最后选了我，好感动好幸运。偏大客户运营方...

投了很多家但是基本上都是石沉大海，是哪里有问题呀...做Linux嵌入式方面的，求大佬点拨

从去年年初开始，到今天 一共接近一年。各位牛友都很优秀，如果没有遇见这个平台，今天的我肯定比现在要迷茫和无知。我的秋招已经结束，不论看到这条的你是否也已经收获满意的结果，还是正在往胜利的果实进发，我都祝愿你能顺利过上自己想要的生活和人生。再见了，明年，当我加入正式的工作以后，我想我还会回来的，不论是看看后辈们推前浪，还是分享新的心得。（当然如果有迫不及待的心得想要分享还是会把牛客下回来的hh）

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...