1. 个人介绍2. 实习拷打3. RAG 的优化，项目中 Agent 的流程RAG 的核心链路是：文档处理 -> 建索引 -> 检索召回 -> 重排筛选 -> 上下文拼接 -> 大模型生成。它的优化也主要围绕这几步展开。先说文档处理。原始文档不能直接粗暴切块，要先做清洗，比如去掉无效页眉页脚、目录、乱码、重复段落。然后做合理切分。切分太大，会带入噪声；切分太小，上下文会断。常见做法是按段落、标题层级、语义边界切 chunk，并适当设置 overlap。再说检索阶段。RAG 不一定只用向量检索，通常会把 BM25、向量召回、关键词召回混合起来。向量召回解决语义相似，...

各位前辈好 浙大本科，0实习0科研0绩点，唯一优势可能学校大作业做的比较扎实（但没啥用）。留学实习两手抓，现在开始学开发还来得及在暑假找到实习吗？以及简历上需不需要放一个魔改的项目呢？简历目前是ai做的，求建议拷打。

1. 介绍一下你项目中遇到的最复杂的技术问题，如何解决的？参考答案：我在做电商系统时，遇到过一个分布式环境下的数据一致性问题。场景是用户下单时，需要同时操作订单服务、库存服务、积分服务三个服务，如果其中一个失败，其他服务需要回滚。最初我使用了Seata的AT模式实现分布式事务，但在压测时发现性能很差，TPS只有200左右。通过分析发现，Seata的全局锁机制导致了严重的性能瓶颈，特别是在高并发场景下，大量请求在等待全局锁。我重新设计了方案，采用基于消息队列的最终一致性。下单时先创建订单，发送消息到Kafka，库存服务和积分服务监听消息异步处理。为了保证可靠性，实现了以下机制：消息可靠性方面，生...