1. 个人介绍2. 实习拷打3. RAG 的优化，项目中 Agent 的流程RAG 的核心链路是：文档处理 -> 建索引 -> 检索召回 -> 重排筛选 -> 上下文拼接 -> 大模型生成。它的优化也主要围绕这几步展开。先说文档处理。原始文档不能直接粗暴切块，要先做清洗，比如去掉无效页眉页脚、目录、乱码、重复段落。然后做合理切分。切分太大，会带入噪声；切分太小，上下文会断。常见做法是按段落、标题层级、语义边界切 chunk，并适当设置 overlap。再说检索阶段。RAG 不一定只用向量检索，通常会把 BM25、向量召回、关键词召回混合起来。向量召回解决语义相似，...

没必要在学校疯狂卷了

因为考研没秋招，现在怎么都找不到合适的工作。。。

面经面试时间：1月份，日常实习，部门是国际化（还挺想去的，最后一面挂了（一）项目实践与工程化类实习中挑一个最有挑战的经历介绍性能优化的具体落地动作（资源加载、渲染、运行阶段）？如何量化优化效果？（简历有提到如何理解 CDN？哪些资源适合放 CDN、哪些不适合？是否了解 CDN 动态加速？（简历有提到CDN虚拟列表的实现逻辑、核心优势（简历有提到AI 提效（cursor rules）的具体实践？（简历有提到skills 与rules 的核心区别是什么？(当时没回答好大模型与 2020 年前传统模型的本质区别？催生大模型出现的核心原因？（没回答好，扯到transformer前端开发中常用的设计模式...