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 ...

不是我应聘个it技术支持岗位4-6k 还学历歧视上了😭

大概六个平台，投了快小一千份了，一个约面没有。目前是在实习，转正答辩已过，但是工资只有5k，想找8k左右的，求大佬们拷打一下😩目前在贵州，想去深杭。

Q1：企业内部落地 Agent，你最先关⼼哪三个⾮功能需求？答案：安全与合规（权限、审计）、可控性（⼈在回路、⼯具⽩名单）、可观测性（轨迹、指标、回放）。Q2：客服场景如何降低幻觉？答案：强 RAG 溯源、禁⽌⽆引⽤断⾔、模板化答复、未知则转⼈⼯。Q3：怎么评估⼀个 Agent 的好坏？答案：分层评估：任务成功率、平均步数/成本、⼯具错误率、⽤户满意度、安全事件数；基准可包括静态数据集 + 仿真环境 + 线上 A/B。Q4：Agent 的最⼤⻛险是什么？答案：复合错误与权限滥⽤——单步⼩错在多步放⼤，或⼯具被诱导执⾏⾼危操作；因此必须 最⼩权限 + 强审计 + ⼈在回路。Q5：如何防⽌ Pro...