1、RAG 流程RAG 一般分成离线和在线两部分。离线侧主要做文档接入、清洗、切分、向量化和索引构建。文档来源可以是产品文档、帮助中心、接口文档、历史问答、内部知识库。清洗之后按段落、标题或者固定窗口做切片，再用 embedding 模型把文本转成向量，写入向量数据库，同时保留 metadata，比如文档类型、时间、部门、权限标签。在线侧通常是用户问题进来后，先做 query 预处理，比如改写、纠错、意图识别，然后拿 query 去做检索。检索可以是向量检索、BM25 检索或者混合检索。召回到候选片段后，再做 rerank，把最相关的内容排到前面，最后拼接 prompt 和用户问题一起送给大模...

兄弟姐妹们帮帮看下还有什么可以优化的地方

这可能是目前 AI 面试中最拉开差距的一环。大部分求职者的简历上写着“通过优化 Prompt，提升了生成质量。”面试官往往会微微一笑，紧接着抛出一记灵魂暴击：“那你怎么定义‘质量提升’？你怎么用数据证明，你的 模型 跑得比昨天更好？”这个时候，如果你挠挠头回答：“我自己抽查了几条结果，感觉变好了……” 那基本就凉透了。正所谓乱花渐欲迷人眼，靠人工“抽盲盒”式的肉眼查验，很容易陷入“只看好案例（Cherry-picking）”的自欺欺人中。在真正的工程落地面前，这种“凭感觉”根本站不住脚。回答应该直接把 Eval（评估）体系拍在桌面上：“在修改任何一行核心逻辑或 Prompt 之前，我会构建一套...