oppo啥时候谈薪

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 ...

“无名小卒，还是名扬天下？”我知道很多人都不觉得我能走到今天这一步，当然，也包括我自己。在我的人生里，有两部作品刻下了最深的烙印：《斗破苍穹》与《龙族》。它们总被人拿来对照：一边是萧炎的桀骜轻狂，一边是路明非的怯懦衰颓。有人说，天蚕土豆没见过魂天帝，但江南见过真凯撒。我时常觉得，自己就是那个衰小孩路明非。可路明非可以开挂，我不可以；我也无数次幻想过，能拥有萧炎那般年少轻狂的人生，可我没有他与生俱来的逆天天赋。我只是个平庸的普通人，一个看过《斗破苍穹》却开不了挂的路明非，只能一步一步往上爬。从我下定决心找实习的那一刻起，我就给自己定下了目标：“我一定要为字节跳动卖命.jpg”。萧炎有他的三年之约，我有我的两年半之约（其实是一年半）。2024.11.20，科大讯飞的第一封实习offer落进邮箱，我迈出了这场奔赴的第一步。2025.8.18，放弃百度转正的安稳机会，转身走进前路未卜的不确定里。我很感谢我在百度的mentor，是她从茫茫人海选中了我，给了我大厂实习的机会。即便有段时间我状态差、产出不理想，她依旧愿意认可我、希望我留下转正。2025.11.14，我选择走进字节跳动，以实习生的身份重新出发。2026.3.25 - 3.31，一周速通上海飞书，幸遇赏识我的伯乐，斩获Special Offer。被告知面试通过的那一刻，我的内心无比平静，就像这个offer本就该属于我。不是侥幸，是应得的。这一路，有人看轻过我的出身，不相信我能走到这里；也有人在我看不见前路的时候，替我举过灯。没有他们的鼓励与支撑，就没有今天站在这里的我。我看到了自强不息的激荡，那是一个双非的伟大乐章！我是雨夜迈巴赫，我要开启属于我的新篇章了。

1. 怎么把 RAG 接入到你的 Agent 执行链路里的？是在调用工具之前先检索，还是在生成结果之后再做校验？我们的 RAG 是通过 Spring AI 的 Advisor 接入到 ChatClient 的：模型调用前在 before() 做向量检索，把命中文档拼成上下文注入 prompt；模型生成后在 after() 把命中文档回写到响应 metadata 便于追踪。当前是“先检索再生成”的 pre-RAG，并没有单独做生成后的事实校验，后续可以增加 verifier 节点来做 post-check。2. MCP 是完全自研的吗？和市面上成熟的 Agent 框架相比，你的方案在扩展性上有什...