暑期实习选择

1.wxg公众号&小程序&微信小店团队-应用研究，平台治理方向（开发、优化机器学习模型用于内容审核、商家行为管控、用户安全等治理场景）2.美团核心本地商业-闪购-搜推大模型（虽然是说大模型相关的岗，面试官说其实还是以传统推荐为主） 平台治理看上去和风控有些相似，但个人不是很了解这个方向，据说技术栈比较浅，担心发展上受限制（个人平时做的都是深度学习模型开发，所以内心更倾向偏技术向的研究） 搜推作为算法岗的硬通货，岗位选择更灵活，看似前景更好，加上有大模型之类的技术加持，未来可能有更高的“溢价”。所以我纠结的点其实主要在于这两个岗位的发展潜（钱）力、技术深度（或许还有wxg这个title）。球球大佬们可以给个建议呜呜呜#暑期实习##互联网大厂实习   ##求助 offer选择##offer帮选#

鼠鼠我23年毕业，双非本科，两年工作经验，电话面试，整场40多分钟，有点没顶住📍面试公司：菜鸟驿站👜面试岗位：Java开发工程师📖面试问题：1、项目介绍2、项目难点根据项目拷打3、seata相关（为什么选择它、优点、工作机制）4、线程池参数设计（为什么这么设计这个参数，这个参数设计有什么问题）5、多线程、锁6、JVM调优的过程7、平时怎么学习 🙌面试体验：面试官评价项目太简单了，深挖项目，根本没啥八股文，我有点没顶住，好难啊找工作

#实习期间如何提升留用概率？# 我也不知道，我只是一个刚入职但是想获得牛币于是不停水贴的鼠鼠罢了。等真的转正留用了再回来填坑，分享我的心得。

理想：RAG 的完美愿景 在大语言模型（LLM）的浪潮中，检索增强生成（Retrieval-Augmented Generation, RAG）被寄予厚望，作为 LLM 应用落地的关键技术范式之一，它的核心思想很简单： “让大模型在生成答案时，先检索外部知识库，确保回答既准确又新鲜。” 理论上，RAG 能解决大语言模型（LLM）的三大痛点： 知识固化：LLM 依赖训练数据，无法自动更新知识（如 GPT-4 不知道 2024 年后的新闻），导致时效性差、专业领域知识不足，而 RAG 通过连接外部知识库，可以随时引入新信息。 幻觉问题：LLM 可能编造虚假信息，而 RAG 为回答提供证据、增强生...