等闲_：业务开发就是prompt+数据，Ai就是中间件，中台或者鸡架会做一些Agentic infra和智能体记忆之类的，再底层一点就是AI infra，MLops，模型微调，推理优化之类的了，所以对于普通后端就是纯业务，没啥技术含量，除非去技术架构组或者底层一点的组，要不AI就是个API，别神话AI应用开发

牛客60944174...：数据源会是多源，多数据格式（包括多模态、结构化、JSON，graph等），怎么把数据进行加载清洗处理，得到合适的数据，如果一篇文章很长，怎么做分块，是直接分块，还是重叠的分，为什么这个场景要这样，有没有更好的分块或者压缩方法。在召回阶段，你的query要怎么重构，例如用户问题是“这个是什么？”这样就是语义很不清晰的，要怎么把query重构成一个语义清晰的问句，才能在查找的时候提高命中率，以及你算完相似度之后重排和召回有没有什么优化，是直接根据向量相似度排序吗？有没有别的重排参数，这些都可以优化。除此外，你的RAG应该是每次调用LLM都用一次的吧，你能不能针对每一个场景写一个表，然后分别打包成MCP，让LLM自己决定要不要用RAG，用哪个RAG，怎么用RAG，这些都可以深挖，除此外，基于向量数据库的RAG有标准流程，你可以对照每个阶段，都做一些工作。希望我的分享对你有帮助。

Java抽象小篮子：关注我，一起学习ai知识，从后端工程师转型为大模型应用开发工程师！