我见过两种去小厂的人，结果完全不一样。一种是被动去的，大厂没拿到offer，随便找了家小公司凑活着，去了之后觉得环境差、技术老、没人带，每天摸鱼等着来年再战大厂，三个月下来简历上多了一行没什么含金量的实习经历，面试还是老样子。另一种是主动去的，清楚地知道自己要在小厂拿到什么——一个完整的项目经历、一次独立负责某个模块的机会、或者某个技术方向的实践经验。他们去了之后主动要需求、主动问问题、主动把做过的东西整理成简历上能说清楚的故事，三个月后再投大厂，通过率明显不一样。差别不在于去没去小厂，在于你去了之后有没有把那段时间过成"成长"而不是"等待"。说实话大厂...

没招了，笑死了

比预想中晚了一周，时间过得真快啊，感觉越学越多，目前这版简历下周直接开投了，两个项目都是自己用AI敲的，欢迎各位继续拷打，也是在共同交流学习吧。目前可以说出项目架构业务，自己亮点设计的一些思考，技术实现以及技术选型原因，量化指标也准备了一套说辞，但深挖代码估计就寄了；八股过了一遍，属于基本能说点原理理解，但深挖细节估计也寄了；算法简单了解一些整体思路，但手撕估计也寄了；AI可以吹下项目相关的工程实现和一些技术选型，但深挖技术肯定就寄了。总之，基于自身学习状态考量，先投些小厂继续学吧。有道是：“人生南北多歧路，一处春山一路平。”

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 ...