一、引言这两天系统学习了一遍 RAG，原本以为它就是文档切片 + 向量检索 + 大模型回答这么一条标准流程，但真正从头到尾梳理下来之后，我发现事情没那么简单。RAG 最有意思的地方，不是它用了什么新概念，而是它重新回答了一个很关键的问题：当大模型面对企业知识、私有文档和最新资料时，怎么才能不靠猜，而是基于真实内容回答问题？很多人第一次接触 RAG，都会先记住几个关键词：Embedding、向量数据库、检索、Rerank、Chunk但如果这些概念没有被串成一条完整链路，就很容易变成每个词都认识，但整体还是有点模糊。所以这篇文章，我想不只是罗列概念，而是尝试把 RAG 从头到尾重新讲清楚：文档是怎...

，有没有什么老主神学，祝我一臂之力

这个岗是不是无了呀，怎么一直卡着😢😢引流：腾讯、字节、阿里、拼多多、小红书、滴滴、小米、华为

前言：印象中很久没更新干货了，近期入职后学到了很多东西---不只是知识，还有职场生存法则。也是从这一段开始，我才算在"做事"。今天就挑选我觉得最值得分享的三点。没有大词，都是我踩过的坑。一、对数据敏感我最近在跟着 mt 做 Agent 调优，曾经就做过把人工测试用例转化为自动化用例。听起来就是个体力活，对吧？一开始我也这么觉得，跑通了就发周报："本周转化了 XX 条用例。"mt 看完只回了我一句："然后呢？" 接着问了我一串问题：转化后的自动化覆盖率是多少？相对人工用例覆盖了百分之几？通过率是多少？失败的是真 bug 还是用例本身写得...