boss打招呼100，就2个要简历的

如题，28届 前端 双非，鼠鼠投了250份简历，约面数为0

很多人学Agent上来就啃框架文档，结果越看越懵。不如先把Claude用透。日常用Claude的过程中，你会自然遇到三个问题：为什么有时候回答很准，有时候一塌糊涂？为什么给的上下文不一样，结果差这么多？为什么有些任务它能自己拆解，有些完全跑偏？这三个问题就是Agent的核心：prompt工程、上下文管理、任务规划。从这里展开学就有方向了。prompt写不好，Agent就是个废物，先把Claude的system prompt、few-shot、chain of thought这些玩明白。然后学RAG，因为Agent需要调用外部知识，向量数据库怎么存怎么检索得懂。再学tool calling，Cl...

大家好，我是马丁。应该挺多同学都认识我，毕竟在牛客上关注比点赞多的，应该也不是很多，哈哈。前段时间开源的 Ragent AI，在牛客上获得了大家的广泛关注，非常感谢大家的认可。GitHub 现在也已经 1.7k Star 了，而且还在高速增长，这些都说明 Ragent 是个好项目。简单介绍一下 Ragent：它是一个企业级 RAG 智能体平台，基于 Java 17 + Spring Boot 3 + React 18 构建，从 0 到 1 纯手工打造。覆盖了文档解析、多路检索、意图识别、问题重写、会话记忆、模型路由容错、MCP 工具调用、全链路追踪等 RAG 系统的核心能力。不是那种调个 API 跑起来就收工的 Demo，而是一套真正能落地、经得起推敲的完整工程实现。如果你是 Java 方向、想补上 AI 这块短板，或者想在简历上加一个有区分度的项目，可以去看看。项目地址：https://github.com/nageoffer/ragent回到正题。有不少做开源的大佬问我：你是怎么宣传的？天地良心，真没咋宣传过。视频一条没发，文章就某号发了几篇，全加起来都没我牛客置顶帖的浏览量高。总结下来，我的路子比较佛——把代码写好，剩下的交给用户。那为什么会发这个帖子呢？今天翻了翻 Ragent AI 的 GitHub 监控数据（详情见图三），发现竟然还有从豆包过来的流量。我当时就合计：难道是豆包在向别人推荐我的开源项目？顺便吐槽一句：没想到必应的流量这么高，某度是真的废了。然后我就去亲自试了试，结果直接震惊了！！！大家详情见图一和图二，真的没想到，千问和豆包这么给力。DeepSeek 其实也可以，只不过我当时没截图了。当然，也得泼点冷水。可能熟悉大模型原理的同学就有疑问了：AI 说好就是好么？肯定不是的，因为模型训练都是从网上抓取数据做预训练，没有客观对比的能力。可能还有更优质的项目，只是没有被挖掘出来。不过能被几个主流大模型记住并推荐出来，至少说明 Ragent 这个方向上还是有点东西的，后续我也会继续打磨。如果你也在纠结学什么 AI 项目，不妨去看一下 Ragent，毕竟代码完全开源，4w多行 Java 代码说不定能找到自己成长的方向。当然，也欢迎大家来 GitHub 点个 Star ⭐ 支持一下，有问题随时交流。就这样，祝各位牛友都拿到心仪的offer~对了，图四是我用 GPT image2 生成的，现在 AI 发现太迅速了，等等我！

为什么？因为面试官对你们的预期不一样。 985 同学的策略：挑一个方向做深 面试官看到 985 的简历，默认你基础不差。他会直接往深了问："你的向量检索用的什么算法？HNSW 和 IVF 的区别是什么？为什么选这个？" 所以 985 做项目应该：  选一个细分方向（比如 RAG 的检索优化、Agent 的工具调用可靠性） 读 2-3 篇相关论文，把论文里的方法实现到你的项目里 写清楚 benchmark：和 baseline 比提升了多少  推荐项目方向：  RAG 检索优化：对比不同 chunking 策略 + 重排序算法的效果 Agent 可靠性：设计工具调用失败时的 ...