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 ...

从25年6月到现在，没停过，薪资依旧3k。求超越😼

三战鹅厂才走到这，这是在横向吗可以发邮件催一下吗

最近影石的秋招真的让我心态反复横跳。本来已经打算放弃了，结果后面又被抬价，直接又燃起希望了😂整体面试体验还是挺不错的，面试官都很强，问得也很深入，尤其是对项目和底层原理的考察非常细。这里整理一下自己的面经，希望能帮到后面准备秋招的同学。一面：疯狂技术拷打（AI推理 + C++ + 体系结构）一面的面试官绝对是技术大牛，问题密度非常高，几乎没停过。AI推理 / MNN / 模型部署为什么选择 MNN 推理框架？调研过其他框架吗？模型从训练到端侧用 MNN 推理的完整流程是什么？int8 和 FP16 的性能提升明显吗？MNN 做了哪些优化？双线性插值的 4 个点权重怎么计算？仿射变换用了哪些 ...