先说一个我自己实习时候的真实观察。同一批进去的实习生，半年后水平拉开的差距远比想象中大。但拉开差距的，往往不是谁拿到的需求更"高大上"，而是谁更愿意在边缘活里多问一句"为什么"。那些拿到核心需求的人，大概率会做得不错，因为有人带、有压力、有反馈，不进步都难。真正决定上限的，反而是中间夹着的那些"杂活"——一个权限模块的小改造、一段 session 逻辑的兜底、一次老接口的迁移、一个临时的脚本任务。这些东西没人盯着你做得多好，做完就过了，做砸了也没人记得。但恰恰因为没人盯，反而是最适合你"夹带私货"地思考的时机。我自...

前天下午面的字节二面，确实面的不咋地就到今天也一直在横向中...

我投的后台开发。。。这还要面吗

在 AI 应用的场景中，rag可以说是一项必备的技术，在智能客服，导购 agent，智能创作等有检索需求的场景都会使用到，所以这里结合一些实际的应用场景和大家做一些分享一，数据准备数据准备是 rag 整个流水线中非常重要的一环，所以在实际的生产场景中，也主要是看数据解析，以及使用不同的向量库落库的过程 文件解析（pdf，docx，txt，md）目前常见的文件解析，就是利用 Apache tika 等开源库做解析组件，但对于一些富文本的数据，比如有图片和表格的情况，就要借用 ocr 等辅助手段大表格处理表格是比较常见的数据类型之一，但是大表格解析通常会有一些问题比如在切块的时候如果每一行都作为 ...