在人工智能越来越普及的今天，我逐渐意识到，面对AI一定要保持谨慎。AI确实能快速提供答案，帮助我查资料、写文章、解决问题，但它并不是万能的，也并不总是正确的。我发现，有时候AI会“随便回答”。当问题不够清晰，或者涉及复杂、专业的内容时，AI可能只是根据已有的数据进行推测，生成看起来合理却不一定准确的答案。如果我不加思考地相信这些内容，就可能被误导，甚至在学习或工作中做出错误判断。因此，我开始把AI当作一个辅助工具，而不是绝对权威。遇到重要信息时，我会主动查证，多看不同来源的资料，再做决定。AI可以提供参考和灵感，但最终的判断和选择，仍然需要我自己负责。对我来说，谨慎使用AI，不盲目依赖，是在这...

27届双非本计算机专业，感觉前后端挤满了人 ，于是转AI产品经理 ，学习相关知识 ，做项目改简历，但是投了半个月简历，打招呼了1k➕，只有3个约我面试，还都是那种0-20人的公司，我感觉有点不靠谱，我觉得怎么也得是中厂啊…是简历有问题吗，求指点，还是现阶段没实习没学历的我只能先去这种公司

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...