1. 自我介绍2. RAG 怎么优化，评估时你会看哪些指标RAG 的优化一般不能只盯着生成端，很多问题其实出在检索阶段。常见优化思路包括 query rewrite、chunk 切分策略调整、混合召回、重排序、上下文压缩和引用约束。比如文档切得太碎，召回会有信息断裂；切得太长，又容易把无关信息一起带进来，生成端会受污染。真正线上效果好的 RAG，通常不是“某个 embedding 更强”，而是检索、排序、上下文组织和回答约束配合得比较好。评估时我一般拆成两层。第一层看检索，比如 Recall@k、MRR、HitRate，看相关证据能不能被捞上来；第二层看生成，比如答案正确率、faithfuln...

你们这些卡92的，就在jd里标清只要92，装什么众生平等。发70个邮件让我完善简历，我还以为被网暴了。说的就是你慧策，上午参加了宣讲会，技术岗位上来来了一句：只要92或双非ACM银牌，66666。说双非本只能投销售类，后期能转岗（虽然但是就你小子公司的hr已读且回复，那有毛用），92才不去你们那破公司，双非本就和有案底没区别，快滚。

最近看了好多同学简历中的项目经历都已经变成一个AI项目加一个常规项目，而且大家似乎很有默契的形成了一个RAG项目+商城、优选、秒杀项目.....很难不让人感慨，在这个古法编程向vibe coding过度的时期，大家又默契的写出了同质化如此高的简历。如果大家厌倦了写商城类这种极致并发的项目，害怕自己经不住面试官对大流量技术设计的拷打，那不妨关注一下由楼主开源的异构数据源流转系统datalinkx。不同于c端项目浮夸的流量和并发，在后A(AI)、B(BigData)、C(CloudCompute)时代，datalinkx的优势在于其大数据垂直领域的业务价值。为什么选择搞异构数据源流转项目每到春招秋...