❓你最怕被问到什么问题？如何应对？ “你那个大数据是干啥的？能查到我话费账单吗？” 👉我的魔法防御： 最怕：“有对象没？”“啥时候买房？”“你们公司裁员吗？” 我的策略：三段式防御 先夸人：“姨你气色真好！”，再转移：“来来来，我给你倒点热茶。”，最后用“开放式结论”：“这事儿我正在推进，属于长期迭代。”❓你如何跟家人亲戚介绍你的职业？ 坐办公室玩电脑的。“我在互联网工地当包工头，手下管着几百台服务器，它们天天996搬砖，我负责给它们画饼和灌红牛。”❓亲戚问你挣多少钱，该怎么答？经典场景：饭桌上突然安静，七大姑举着筷子凝视你。“哈哈，我的工资和我家里的年货一样多，都是很丰厚的！”。然后迅速反...

emmm 虽然说没有实习算是一个相对的劣势吧 但是 也没有什么硬性的规定说一定要是有实习才能进大厂吧 更多还是一个能力的判断

有人零实习也能进大厂，是因为他们手里有比实习更硬的底牌，高学历背景，985、211的毕业证本身就是一块金字招牌，或者丰富的科研经历，发表过高质量的论文，参与过前沿项目，这些都是能力的直接证明；亦或是那些高含金量的奖项，像ACM竞赛的金奖、Kaggle比赛的高排名，这些都能让招聘官一眼相中，当然，家庭背景硬也是一种隐性优势。总之，没有人能够无缘无故的进入大厂，当然家庭背景很硬也是一种能力

原文链接：HikariLan's Blog 当提到“如何为大模型提供大规模的可用于检索的信息”时，我们第一反应想到的大概率是 RAG 一类的解决方案，但现在我要说，基于文件系统访问（FileSystem Access）的检索方式可能远比使用 RAG 更好。 什么是 RAG？为什么需要 RAG？ **Retrieval-Augmented Generation（检索增强生成，RAG）**是一种可以允许 LLM 从大规模非结构化信息中进行语义检索的技术方案。 我们之所以需要 RAG，是因为大模型内置的知识内容可能不符合我们的需要，例如这些内容可能已经过时（因为用于大模型训练的语料库并不会随着使用者...