腾讯党支部竟然是这样？

1、自我介绍2、简单聊下实习干了什么 ,解决了什么问题3、讲讲什么是 RAG，结合你做过的企业知识库问答系统讲一下 RAG 调用的全流程RAG 是 Retrieval-Augmented Generation，也就是检索增强生成。它的核心思想是先从外部知识库中检索相关内容，再把检索结果作为上下文交给大模型生成答案，这样可以降低模型只依赖参数知识带来的时效性和幻觉问题。以企业知识库问答系统为例，完整流程一般是用户输入问题之后，系统先做 query 预处理，比如纠错、改写、意图识别和关键词提取，然后进入召回阶段，从向量库、全文检索或者混合检索系统里找出候选文档；候选文档出来后再做 rerank 重...

27届双非本计算机专业，感觉前后端挤满了人 ，于是转AI产品经理 ，学习相关知识 ，做项目改简历，但是投了半个月简历，打招呼了1k➕，只有3个约我面试，还都是那种0-20人的公司，我感觉有点不靠谱，我觉得怎么也得是中厂啊…是简历有问题吗，求指点，还是现阶段没实习没学历的我只能先去这种公司

28届双非本科大二学生，计算机科学与技术专业的。目前准备找第一段实习，目标是后端开发，翻遍自己的经历后艰难凑了份简历出来，但是不知道能不能得到面试，恳请各位大佬批评。

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...