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 ...

昨天面试官打电话来说有事情，晚点发个邮件调整一下时间，结果今天显示流程结束了，要发一封邮件问问吗

快一个月沟通300次，要简历30次，面试三个全挂😭日常实习难度这么大吗？找实习找到道喜破碎。是我简历太烂了吗？求指教。

Prompt & Skill 工程最佳实践  从多轮实战对抗式调优中沉淀的方法论。  一、Prompt 工程 1. 调优五原则    优先 说明     聚焦 > 全面 先保主任务稳定，再补细节   场景 > 通用 先问"缺什么字段会失真"，保这些再优化其他   结构 > 辞藻 模块化结构比华丽描述有用，把任务说清楚就够   定性 > 精算 LLM 擅长归类不擅长数值计算，需量化时尽可能用整数映射   减法 > 加法 先删冗余；删掉 30% 反而更稳，说明那 30% 不该在    2. Prompt 搭建 固定骨架： Role → Co...