想象总是美好的

京东在深圳，是海外的搜推部门，搜推算法工程师的岗位。（n*20）给的很多，然后没有租房的补贴聆动在合肥，科大讯飞子公司，是机器人AI运动控制算法工程师的岗位。（n-1）*14，（n-1）里面30%是绩效工资，受月度考核表现影响。然后合肥前三年有一年2W的补贴本人家在江西，地域的话去深圳或者合肥都行。京东互联网行业压力大一点，但是给的多，而且平台大；聆动是科大讯飞子公司，给的少，而且讯飞也在走下坡路。。但是做的机器人行业，行业前景比较好，不是互联玩公司所以压力相比小一些。有点不太好选择，希望听听牛油们的看法，牛油们投完票能在评论区给出理由吗

4月15参加的线下通用素质面试，现在还在跑池子，已经没救了吧

经常被问的其实很固定：模型选型依据是什么、有没有遇到bad case、怎么做效果优化、延迟和成本怎么控制，还有如果换一种方案会不会更好。很多时候不是问你做了什么，而是问你有没有认真思考过取舍。

推荐理由： RAG（检索增强生成）是企业落地的标配，但基础RAG准确率往往不够。这个项目不只要“做出来”，而是要解决“检索不准”和“回答胡说”的痛点，展示你的工程化能力。核心痛点：传统RAG在处理专业术语、长文档关联时效果差，且容易产生幻觉。技术栈：LangChain / LlamaIndex + 混合检索（BM25 + 向量） + 重排序（Rerank） + 知识图谱。核心功能与亮点：混合检索策略：不要只用向量检索。实现关键词检索（BM25）与语义检索的加权融合，解决专业术语（如医疗缩写、法律条文号）匹配不准的问题。引入重排序（Rerank）：在检索出Top-20文档后，使用轻量级Rerank模型（如BGE-Reranker）进行精排，只将最相关的Top-5喂给大模型，显著提升回答准确率。引用溯源与防幻觉：强制模型在生成回答时标注引用来源，并设计一个“自我验证”模块，如果检索内容不足以回答问题，明确告知用户“未找到依据”，而不是编造。量化指标：在README中展示使用Ragas或TruLens框架评估的指标（如上下文召回率、忠实度），证明你的优化有效。