一、概述与全链路 RAG（检索增强生成）：用户提问 → 检索知识库相关片段 → 注入 Prompt → LLM 基于真实数据生成。解决知识截止、幻觉、无法访问私有数据。 Naive RAG（检索-拼接-生成）→ Advanced RAG（Query 改写、混合检索、Rerank）→ Modular RAG（可插拔模块、Agent 动态决策） 文档 → Chunking → Embedding → 向量数据库 用户查询 → Query改写 → 向量化 → 混合检索 → Rerank → Prompt → LLM生成  二、文档处理（Chunking + Metadata） 切分策略    策略 ...

老师我们这样装疯卖傻能找到实习吗，到底怎么整才能找到实习啊

虽然嘴上说着不想再面了，但是今晚身体还是诚实地准时点开了面邀链接。部门是核心本地商业，偏向酒旅下面的景点。本来准备了一个工作流项目和一个优惠券秒杀项目，结果全程都是ai和ai coding相关，完全没问第二个项目，也没有手撕，供大家参考。这两个项目都不是实验室的课题吧？都是你在GitHub或其他平台上自己学习实践的项目，然后做了相应的改造，对吗？看一下你这个工作流编排平台，它产生的背景或要解决的问题是什么？我能不能理解为它类似Coze、Dify这类工作流编排产品？你提到和它们有所区分，具体做了哪些改进或不同之处？你说这是自研层面的东西，整体设计思路是怎样的？其中稳定性能力建设这部分，有没有参考...