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 ...

是简历有什么问题吗，求大佬指点要玉玉了

求佬看看简历有啥写的不好需要改进的，四月底开始投暑期，就得到一个字节的面试，一面挂，其他投的全泡池子，给孩子整抑郁了，已经想创死了

自我介绍项目里使用线程池解决了什么问题怎么解决大模型返回json格式不稳定项目中面试评估需要处理20+题答案超出上下文限制，怎么解决引入rabbit解决了什么问题，为什么要引入如何解决rabbit重复消费，保证幂等性为什么要用TTL和死信队列，不使用定时任务轮询如何保证数据库和缓存一致性MySQL为什么用B+树慢查询和查询优化反问十分快速结束，面完发现才20分钟，感觉纯kpi