1. 介绍一下 bge-m3 和 DBSCAN，以及它们各自的优势bge-m3 是一个面向检索场景的多功能 embedding 模型，它的特点不是单一做稠密向量表示，而是把 dense、sparse 和 multi-vector 几种检索能力统一到一个模型里。dense 表示负责语义相似，sparse 表示更接近关键词匹配，multi-vector 更适合长文档和细粒度匹配。这样做的好处是一个模型可以兼顾语义召回和词面召回，尤其适合知识检索、教育问答、题目匹配这类场景。DBSCAN 是一种基于密度的聚类算法。它通过两个参数来定义簇：一个是邻域半径 eps，一个是形成核心点所需的最小样本数 mi...

最不可信的，就是那种养备胎的话了，比如1.一周内有结果，或者回去等结果2.每年会有两次调薪的3.福利绩效啥的xxx，入职后才发现有些就是说说的

本地商业1. 先做一下实习时候的业务介绍，有什么提升2. AI Coding 功能从能演示到能交付，中间差的到底是什么差的不是模型会不会写代码，而是系统有没有交付闭环。演示阶段只要能在几个样例上生成看起来对的 patch 就行，但生产可交付要求它能处理不完整需求、脏仓库、编译失败、依赖缺失、测试不稳定和回滚策略。真正落地时必须加任务约束、静态检查、sandbox、单测回归、补丁审计和失败分级，否则所谓“生成功能”只是把风险后移给人。AI Coding 一旦进入真实研发流，评价标准就从“会不会写”变成“出了错能不能收住”。 def deliverable_check(repo, patch): ...

这还是🐮的，哈哈哈哈。多读书!