一、概述与全链路 RAG（检索增强生成）：用户提问 → 检索知识库相关片段 → 注入 Prompt → LLM 基于真实数据生成。解决知识截止、幻觉、无法访问私有数据。 Naive RAG（检索-拼接-生成）→ Advanced RAG（Query 改写、混合检索、Rerank）→ Modular RAG（可插拔模块、Agent 动态决策） 文档 → Chunking → Embedding → 向量数据库 用户查询 → Query改写 → 向量化 → 混合检索 → Rerank → Prompt → LLM生成  二、文档处理（Chunking + Metadata） 切分策略    策略 ...

老师我们这样装疯卖傻能找到实习吗，到底怎么整才能找到实习啊

快四十分钟~1.实习项目拷打1，前面一个还好。问的挺深的，10min2.实习项目拷打2，这个是我太菜了，没了解全，一个优化接口 15min3.Agent框架的探讨 10min4.反问 5min---面试官人很好，给我项目两个点拷打的要寄了，也是自己没完全了解清楚，用AI写完，测完就结束了