1、自我介绍2、项目拷打3、RAG 的完整链路是什么，哪些地方最容易出问题RAG 的完整链路一般是文档接入、清洗去噪、切 chunk、向量化、建索引、在线检索、重排、上下文构造、Prompt 拼接、模型生成和结果后处理。线上请求过来以后，先对用户 query 做归一化处理，再进行向量召回或者混合召回，把候选文档取回来，然后用 rerank 模型重新排序，选出最相关的内容拼到 prompt 里，再交给大模型回答。最容易出问题的地方通常有几个。第一是 chunk 切得不合理，太短会丢语义，太长会导致噪声太多。第二是召回率不够，模型根本没拿到正确证据。第三是重排不准，正确文档被排到后面。第四是上下文...

ps:感觉三月一堆大佬，不敢投了

26应届偏远地区双非硕，buff叠满了

现在感觉没个顺手的 AI 当赛博小弟，这班根本上不下去。最近一直在这捣鼓 Doris，要从各种厂家的上位机抽数据建表，活儿说难不难，但每天写那些繁琐的 CRUD 和长篇大论的 SQL，是真的耗精力。试了一圈各种大模型，我盘了一下，目前能留在我电脑里当“嫡系”主力的，基本就这俩套路：1. 敲代码/查Bug的嫡系：Claude Code平时在 VS Code 里写 Java，或者写一些处理底层数据的 Python 脚本，我习惯直接在终端里唤醒 Claude Code。这玩意儿读本地代码库的上下文确实有一套，有时候逻辑卡壳了，或者环境配置死活不对（比如我想把 VS Code 调教得像 IDEA 一样...