PS：就我目前看到的AI项目而言，相信大家的检索能力，一定能找到相类似的，所以我这边就不贴出对应的github仓库链接了。我其实就是用的这两个，不过我对这两个进行了一些综合，把二者合二为一了。1. 本地私有知识库 RAG 助手核心价值：覆盖面试高频考点，完美匹配 “检索增强生成” 技术栈，做完能直接解决学习 / 工作痛点。落地路径：技术栈：Python + LangChain/LlamaIndex + Chroma/FAISS（向量库） + Streamlit（快速网页）核心功能：上传 PDF/Markdown 文档（比如你的技术笔记、行业报告）→ 智能切分（带 100-200token 重叠...

最近刷boss 投了一堆公司。公司画像员工100-500人，非互联网公司跟着AI热潮产生的岗位需求，多为AI agent开发/全栈开发，基本都是CTO/老板直接对接，流程混乱，要求线下面试，不报销路费，直接不感兴趣拉黑。现在的互联网开发，非进校园的线下面试本来就少，基本都是借助腾讯/飞书会议线上面。走线下反映两个问题：1. 内部能效极低，线上面效率不比线下高？ 2.不懂互联网工具，不会用好互联网产品，内部怎么做的好开发？ 3. 公司没有融资没有上市没有title，凭什么要浪费时间精力给你们线下筛选？这并不表示我们求职者好高骛远，行情不好就安心沉淀寻找方向，盲目的下注只会浪费自己的时间和资源。

就不投

为什么？因为面试官对你们的预期不一样。 985 同学的策略：挑一个方向做深 面试官看到 985 的简历，默认你基础不差。他会直接往深了问："你的向量检索用的什么算法？HNSW 和 IVF 的区别是什么？为什么选这个？" 所以 985 做项目应该：  选一个细分方向（比如 RAG 的检索优化、Agent 的工具调用可靠性） 读 2-3 篇相关论文，把论文里的方法实现到你的项目里 写清楚 benchmark：和 baseline 比提升了多少  推荐项目方向：  RAG 检索优化：对比不同 chunking 策略 + 重排序算法的效果 Agent 可靠性：设计工具调用失败时的 ...