写下快手的一面面经，又挂了，找暑期实习快自闭了。1.  为什么要引入缓存，引入缓存的优缺点2.  布隆过滤器可以删除key吗？3.  ThreadLocal存在内存泄漏吗，为什么？4.  项目中有遇到输入后，调用错MCP的tool或者没调用tool的情况吗？5.  agent调用MCP服务，假如输入中对调用的MCP中的tool缺少必要的参数怎么做的？手撕: 手机号码的排列组合接下来要好好沉淀了。

非常入门级的项目，适合出入AI的小白跟做 一、这个项目能做什么？ 你输入一个 GitHub 仓库的 URL，系统会：  用 gitingest 把整个仓库转成 Markdown 文本 用 LlamaIndex 对文本做向量化索引（Embedding + VectorStore） 用本地 Ollama 模型回答你关于这个仓库的任何问题  比如你可以问：  "这个项目的核心架构是什么？" "main.py 里的 process 函数做了什么？" "这个项目用了哪些依赖？"  二、技术栈一览    组件 工具 作用     前端 Strea...

如果你现在想入行AI，别一上来就啃什么反向传播、数学推导，大概率坚持不下来。直接奔着RAG去，这是企业最缺、上手最快、简历最好写的方向。RAG到底是啥？全称检索增强生成，说白了就一句话：让AI学会翻资料再回答问题。以前的大模型全凭“脑子里的知识”答题，问它“咱们公司年假怎么休”，它直接懵——它又没在你公司上过班。RAG不一样：你先把自己公司的员工手册、技术文档、会议纪要、客服聊天记录全喂进去，存在一个叫“向量数据库”的地方。员工来问问题，系统先去库里找相关材料，然后把材料+问题一起给大模型，模型照着材料回答。效果立竿见影：客服不用翻几百页手册了，秒回客户问题新员工入职，自己问AI就能熟悉业务代码报错了，AI自动查历史bug库给解决方案销售要写方案，AI去库里翻过往中标文档做参考为啥企业抢着要？因为每个公司都有自己的知识积累，通用的GPT用不上。而RAG能把公司内部经验和AI能力打通，成本低、见效快、不出错。老板一听就两眼放光。入门学啥？就两样：1. 向量数据库——存知识的地方。学学怎么把文档切碎、转成向量、存进去、搜出来。主流的Chroma、Milvus、Pinecone挑一个玩熟。2. LangChain——搭流程的工具。学学怎么把“查资料+问模型”串成一条流水线，文档怎么切、怎么搜、怎么拼给模型。怎么做项目？就做一个：公司内部知识库问答机器人。拿几百页员工手册或者技术文档，搭一个能回答任何内部问题的机器人。部署到飞书、钉钉或者企业微信上，真能让同事用起来。这个项目往简历上一写，面试官一看：这人来了就能干活。

目前主流的 Embedding 模型都是 Bi-Encoder 架构（双塔模型）：query 和文档各自独立编码成向量，再算余弦相似度。这种架构的优势是速度快——文档向量可以离线算好存起来，查询时只需要算一次 query 的向量就能跟整个库比对。代价是精度不如 Cross-Encoder，所以才需要两阶段检索。✴️下面是目前开源社区里最常用的几个 Embedding 模型的核心对比：✅BGE-M3（BAAI 智源）：目前中文场景的首选。支持中英多语言，最大 8192 token 的上下文窗口，同时支持稠密向量、稀疏向量和 ColBERT 式多向量检索三种模式。在 MTEB 中文榜单上长期稳居前列。如果你不知道选什么，无脑选 BGE-M3 不会错。✅BGE-large-zh（BAAI 智源）：专注中文的大尺寸版本，在纯中文场景下精度略高于 M3，但不支持多语言，上下文窗口也只有 512 token。适合纯中文且文档较短的场景。✅GTE-multilingual-base（阿里达摩院）：阿里出品的多语言 Embedding 模型，在 MTEB 多语言榜单上表现很强。跟 BGE-M3 是直接竞品关系，两者在多语言场景下各有胜负。如果你面的是阿里，了解 GTE 是基本功。✅E5-small/base/large（微软）：微软出品，特点是有从 small 到 large 的完整尺寸梯度，small 版本只有 33M 参数，特别适合资源紧张或需要部署到边缘设备的场景。精度比 BGE 略低，但推理速度快很多。✅Jina Embeddings v2（Jina AI）：最大亮点是支持 8K token 的超长上下文。如果你的文档 chunk 特别长（比如整段法律条文或完整的技术文档章节），其他模型可能截断，Jina v2 能全部吃进去。✅MiniLM（微软）：极致轻量级，速度最快，适合对延迟要求极高或大批量处理的场景。精度是这几个里最低的，但胜在快。🌟四种经典搭配方案1️⃣经典流水线：BGE-base2️⃣检索 Top 100 → BGE-Reranker-base3️⃣精排多语言场景：GTE-multilingual-base + GTE-multilingual-rerankerGPU4️⃣紧张：E5-small + MiniLM-L6-cross-encoder（batch 推理）5️⃣长文档 / 8K：Jina-embeddings-v2 + Jina-ColBERT-v2，段内匹配更稳📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。