1、LoRA 微调的原理LoRA 的核心思想是不直接更新预训练模型里的原始大权重，而是在某些线性层旁边增加一个低秩更新分支，用低秩矩阵去近似权重增量。假设原始权重是 W∈Rd×k，全量微调时直接学习ΔW，LoRA 则把它写成：ΔW=BA其中A∈Rr×k，B∈Rd×r ,，(r) 是远小于 (d) 和 (k) 的秩。这样前向计算就变成：h=Wx+ΔWx=Wx+BAx实际里通常还会加缩放项：这样做的本质是认为很多下游任务对大模型权重的更新其实存在低秩结构，不需要真的去学习一个完整的大矩阵。LoRA 的优点是可训练参数少、显存占用低、训练快，而且原模型参数冻结，方便多任务切换和权重管理。2、LoRA...

在boss上投简历，沟通和投出去的比例是12:1，是我简历不够好吗，还有什么能优化的地方

兄弟们这简历真不真实，有没有问题😭

一、项目经历与基础了解二、RAG 系统设计你重构的检索增强架构，整体数据是如何设计的？文档上传后是直接做向量化吗？流程是怎样的？向量化用的是哪个模型？是怎么转化成向量的？向量化调用了哪个第三方 API？向量检索和关键词检索为什么要结合使用？重排策略是怎么设计的？用了什么算法？有没有验证过重排效果？双方召回后，最终的排序是如何融合的？如果 RAG 系统上线后用户反馈不准确，你会从哪些维度排查和优化？三、MCP 工具调用与 Function Call 区别你实现的 MCP 工具调用是怎么做的？MCP、Function Call、手写提示词拼接、Skill 这些分别在什么场景使用？有什么区别？Fun...