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...

1.快手-无限复活-测评不用重做2.美团-3个志愿3.腾讯-1个志愿-部门共享简历，提前批面评太差会影响正式批4.携程-1志愿5.小红书-2志愿-顺序流转6.米哈游-1志愿7.小米-2个志愿

自驾算法一面项目用anchor-based的，有没有考虑用anchor-free的方法？为什么anchor-free在这个项目里比anchor-based差，有没有想过为什么有没有试过DETR的方案或者其它方案？对于目标密集和遮挡情况下，anchor-based和anchor-free有什么区别，比如分类有人和自行车，现在一个人骑着自行车，用anchor-free和anchor-based方法训练会有什么不一样？（anchor-based方法预测的框的数量多召回率高，anchor-free的精确率高召回率低，答案是anchor-based方法会匹配的更好，因为不同类别的宽高比大小不一样，，但a...