求支招

我和我的mentor相处模式绝对是“亦师亦友的硬核技术搭子”。刚切入新能源电池测试的大数据架构时，面对每天海量的并发数据流，我其实挺头疼的。但带我的齐工从来不搞职场PUA，而是直接拉着我一起看底层链路。我们最常做的不是单向分派任务，而是一起对着屏幕争论怎么优化Kafka和Flink CDC的同步逻辑，或者研究怎么把Doris的查询性能压榨到极致。每周的部门技术分享会上，他也会极力鼓励我上去讲讲分布式数据库的实战踩坑经验，帮我建立技术影响力。平时遇到难啃的骨头，比如梳理实验室测试流程管理模块（TRP）的复杂数据清洗规则，总是一针见血地点出瓶颈，然后鼓励我大胆用AI原生工具链去提效重构。这种不讲虚...

没必要在学校疯狂卷了

也大大小小面了很多内部正在搞AI的公司，给大家分享一下我的面试题库！ 第一章：RAG 系统 Q1: 请解释 RAG 的工作原理。与直接对 LLM 进行微调相比，RAG 主要解决了什么问题？ RAG（Retrieval-Augmented Generation）的核心是"检索+生成"两阶段：先从外部知识库中检索与用户问题相关的文档片段，再将这些片段作为上下文拼入 prompt，让 LLM 基于检索到的信息生成回答。相比微调，RAG 的优势在于： ①知识可实时更新，不需要重新训练模型； ②可追溯来源，减少幻觉且便于审计； ③成本低，不需要 GPU 资源做训练； ④领域迁移方便，...