五一啦

现在的 Agent 面试，已经过了“比谁会写 Prompt”的阶段了。说实话，现在的实习生如果只会调个 LangChain、写两段 System Message，在我这儿大概率是过不了初筛的。我想换个视角，带大家看看面试官在听你回答那些“高频题”时，脑子里到底在过滤什么。1. 关于架构：别光背那个“四元组”大家现在都能背出 Agent 的四大要素：规划、记忆、工具使用、执行。但我面试时更想听的是：你为什么不用传统的 Workflow（工作流）？很多同学的项目，明明用一个简单的 IF-ELSE 逻辑就能跑通，非要套个大模型的“自主规划”。在我看来，这不叫专业，这叫“为了用 AI 而用 AI”。我...

校招入职两个季度，速通了标兵和年度文章，你也快来试试吧😎😎😎

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...