有没有10.22上海银行面试的？

前言 当我们尝试将网上开源的大模型部使用Ollama的方式署在本地，就会发现，呈现给我们的只有一个黑色对话框。 想要提供给他人使用，最佳方式还是提供一个网页或者API接口。对于后者，Ollama已经实现，你可以使用下面的地址  http://localhost:11434  假设你继续跟着官方教程，使用python或者其他语言，就可以制作一个简单的聊天助手，恭喜你完成了一个 Agent 的开发。 但是距离企业中落地的 Agent 还有一点距离，接下来，我将带你逐步补齐。  AI 核心概念 从机器学习（Machine Learning），自然语言处理（NLP）开始说起，对于作为后端的我，有点难为...

从去年年初开始，到今天 一共接近一年。各位牛友都很优秀，如果没有遇见这个平台，今天的我肯定比现在要迷茫和无知。我的秋招已经结束，不论看到这条的你是否也已经收获满意的结果，还是正在往胜利的果实进发，我都祝愿你能顺利过上自己想要的生活和人生。再见了，明年，当我加入正式的工作以后，我想我还会回来的，不论是看看后辈们推前浪，还是分享新的心得。（当然如果有迫不及待的心得想要分享还是会把牛客下回来的hh）

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...