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 ...

蚌住了，沉淀三个月  收到的面试反而更少了，大部分做完了测试就了无音讯，大模型应用，产品，AIGC，甚至售前工程师我也愿意做啊！这个时代怎么了？为何不愿意接受双非生😭

我不上课，我要实习😡，这约面是真难啊，投了4天了就约到两个，一个笔试，一个面试

很多人的做法是在技能栏加一行"熟练使用ChatGPT、Copilot"，然后就没了。面试官看完心里只有一个想法：然后呢？AI能力写进简历，得体现在项目里，不是技能栏。技能栏写工具没有任何说服力，因为现在谁不会用ChatGPT？真正能拉开差距的是你用AI解决了什么具体问题、带来了什么可量化的结果。比如："引入Copilot辅助开发，单元测试覆盖率从40%提升至80%，测试编写时间减少60%。"比如："基于RAG构建内部文档问答系统，信息检索效率提升3倍，减少重复人工答疑约200次/月。"比如："使用Claude优化代码审查流程...