原文链接：HikariLan's Blog 当提到“如何为大模型提供大规模的可用于检索的信息”时，我们第一反应想到的大概率是 RAG 一类的解决方案，但现在我要说，基于文件系统访问（FileSystem Access）的检索方式可能远比使用 RAG 更好。 什么是 RAG？为什么需要 RAG？ **Retrieval-Augmented Generation（检索增强生成，RAG）**是一种可以允许 LLM 从大规模非结构化信息中进行语义检索的技术方案。 我们之所以需要 RAG，是因为大模型内置的知识内容可能不符合我们的需要，例如这些内容可能已经过时（因为用于大模型训练的语料库并不会随着使用者...

😅😅😅😅

本文以有java后端基础/python基础如何转向ai开发岗进行讨论分析。 个人bg : 专升本，26届双非硕，硕士转码，25.6 - 26.2 小厂ai应用开发实习，入职前ai相关项目 * 1 ，春招面试时含公司实习项目共计10+ai相关项目(简历体现4个)，ai相关内容学习实习前累计1m左右，深入了解时长等同于实习时长。  重要经历 ：实习期间参与三个ai项目开发，垂直领域涉及金融审核相关业务(涵盖文档、检索、分析、agent等)1. ai应用开发岗是什么？涉及什么？ ai应用开发岗作为新兴岗位，主要分为两部分: 上游任务(偏向于算法) : 模型后训练，微调(SFT,QLora) ,场景定...