美团暑期实习一面

RAG 是啥？RAG，全称 Retrieval-Augmented Generation，意思是 “ 检索增强生成 ” 。以前的 AI 模型知识有限，还可能答错或者答得不靠谱，而且企业用起来也不安全。RAG 就是来解决这些问题的！它能让 AI 在回答前先去 “ 图书馆 ” （知识库）搜资料，再给出答案。RAG 怎么干活？RAG 的工作流程简单来说就是三步走：你问我答：用户问问题，比如 “ 今天吃什么好？”，RAG 系统接收到了。翻书找答案：RAG 的 “ 小助手 ” 会飞快地在知识库里找相关资料，比如美食推荐、营养搭配之类的。整合输出：把找到的资料和问题混合在一起，扔进大模型里加工，生成一个超棒的答案，比如 “ 今天你可以试试清蒸鲈鱼，肉嫩味美，还很营养哦！”。RAG 的核心组件RAG 主要有两个核心组件：检索器（Retriever）：就像在图书馆里负责找书的管理员，能在知识库里快速定位到相关资料。生成器（Generator）：拿到资料后，它就像个作家，把资料和问题结合，生成最终的回答。RAG 跟其他技术比有啥厉害之处？对比直接用大模型 API 或者微调，RAG 有这些牛 X 的地方：知识更新快：知识库能实时更新，AI 就能立马掌握新知识，不用重新训练，省时省力。省钱省心：不用大规模重新训练模型，成本大大降低。不会忘事儿：不会像微调那样，在没训练过的任务上表现不好，稳稳地保留了模型的通用能力。不过呢，RAG 也有点小缺点，比如在特别需要深度理解和风格模仿的问题上，可能就没微调那么厉害。RAG 的关键环节和挑战文档切分（Chunking）：把文档切成合适的大小，就像切蛋糕一样，得找到那个完美的大小，不然可能影响检索效率。Embedding 模型选择：选对模型就像给汽车选发动机，直接决定向量表示的质量，影响后续的检索和生成效果。检索效果评估：得时刻监控检索的召回率和精确率，就像给检索系统做定期体检，有问题及时调整。向量数据库的作用：它是高效存储和检索向量表示的中流砥柱，就像给知识库装上了超级导航，能快速定位到相关信息。整体效果评估：要时不时对 RAG 系统来个全方位体检，从生成答案的准确性、相关性等方面打分，确保系统一直在线。

技术开发岗，15分钟结束，面试官态度很不好！面试内容：自我介绍介绍你的项目你对基金了解多少你为什么不去互联网公司要来我们公司面试官：了解基金业务比技术能力更重要

还有就是DDD项目有没有必要做了，听别人说公司用DDD不多，让继续学MVC项目                

0429 字节一、八股：1. Java中的hashmap是否是线程不安全的，为什么会不安全，可能导致哪些并发问题？2. synchronized的底层原理，Java中还有哪些常用的锁？3. CAS的ABA问题如何解决？4. ReentrantLock的公平性指的是什么，如何实现公平性？5. Mysql的深分页问题，如何解决？6. 有用过Hbase或者ES这些引擎吗二、RAG项目1. Transformer的架构？Encoder，Decoder2. rag中使用了什么分词器？3. BGE-m3，提供了哪些功能，如何去训练的？4. 余弦相似度的阈值如何确定？介绍下BM25算法，什么时候会使用5. query的意图如何识别？6. 微调用的什么框架？7. 召回用的哪些算法，是否有做粗排和精排？8. 为什么在prompt中加一些few shot会提升他的效果，底层原理是什么？9. prompt是怎么写的，有什么经验？三、手撕1. SQL2. 接雨水3. 最长无重复字串.改