Webpack 是如何实现模块化打包的

1、RAG 里的幻觉怎么解决？RAG 幻觉一般来自三种情况：没有召回到正确证据、召回到了但排序不对、证据足够但模型还是自己补。解决也要对应分层。第一层是提高文档质量和召回质量，比如切片更合理、用混合检索、做 query rewrite、加 metadata 过滤。第二层是重排层，用 rerank 模型让最相关证据排前面。第三层是生成层，要让模型严格基于证据回答，证据不足就拒答，不允许自由扩写。如果从更抽象的角度看，幻觉问题本质上是“系统回答倾向强于证据约束”。所以真正要解决的是：让系统在信息不足时学会克制，而不是为了流畅性硬编一个完整答案。2、LoRA 微调原理LoRA 是 Low-Rank ...

ttl： 3.19一面晚上过3.20二面3.23oc3.25offerbase：末9有一段中小厂实习一面面经：（总体时长一个小时二十分钟左右没什么八股，主要都是问项目和场景题1.实习（问了有四十分钟，感觉面试官很看重实习这一块，一直在拷打，问到后面我都要疯了，好在准备得比较充分1️⃣用的是什么中间件，有参与技术选型吗，实习的项目里为什么选这个RabbitMQ而不是kafka，为什么不用RocketMQ，为什么放弃异步，自己的项目里面使用的是kafka，那你觉得项目和实习的中间件选型有差异的原因是什么，他们之间的区别在哪里，底层的原因知道吗（高柱到这里已经快疯了，但是硬着头皮答完了，主要是从一致性吞吐量和框架的契合度答，面试官说答得挺好的，应该是没什么问题，这一块就问了快半个小时，到这里我已经快疯了2️⃣项目怎么对接上下游3️⃣介绍项目的难点重点4️⃣微服务（高柱实习是单体项目没涉及这一块5️⃣Redis的使用2.项目：1️⃣智能客服是怎么应用在项目里的（langchain4j➕rag➕functioncalling）2️⃣RAG了解多少3️⃣文本向量化的难点是什么，了解哪些大模型的知识（我一点不懂，纯瞎扯，但貌似扯对了4️⃣对ai的态度是什么，aicoding相关5️⃣怎么保证多节点下Caffeine缓存里面数据都是一致的（答的是短ttl，面试官不是很满意，但是我确实不太懂这个怎么保证，后来查了还是不懂怎么保证6️⃣Redis的使用，和你的实习项目的使用有区别吗，还有一些引申问题3.八股（含量不高，就是走个过场1️⃣进程的内存布局2️⃣Redis三剑客3️⃣微服务相关知识（高柱已经忘得差不多了…勉强答上来4️⃣JVM5️⃣线程状态6️⃣线程安全，在你的实习项目里怎么保证线程安全的（又绕回来了4.智商题找异常球5.手撕：1️⃣五道sql，不难2️⃣力扣不重叠的滑动窗口数组，贪心➕双指针秒了强度拉满了这个一面，高柱到后面人都是傻的二面面经：（就半个小时实习拷打，简历上写了几点就问了几点，问完就结束了，无手撕

这几天疯狂在boss直聘和应届生上投简历，结果一个回复都没得，是不是简历有啥问题😭，主要投的都是产品岗，求友友们帮忙看看

1、Function Calling 和传统工作流有什么区别？传统工作流是提前把流程写死，比如先做意图识别，再查知识库，再调接口，最后生成答案。它的优点是稳定、可控、方便测试，缺点是灵活性差，场景一复杂就要不断加规则。Function Calling 是把“什么时候调用工具、调用哪个工具、参数是什么”交给模型决定。它更灵活，适合开放式任务，但稳定性会差一些，容易出现乱调工具、参数错误、重复调用的问题。线上一般不会纯用其中一种，常见做法是：主流程用工作流控住，局部节点再放给模型做 Function Calling，这样既有灵活性，也不至于失控。2、多轮对话里上下文太长了怎么处理？不能把所有历史对...