都不推荐，技术好或者学历好（92）推荐学码，两者一个都没有的话，学啥都没用。在牛客看了好多offer帖、实习帖，如果你是92，简历很水也能找到实习，如果bg一般，就很难找，得付出很多时间精力做项目刷实习，最后投简历已读不回……

不知你是否是这样，习惯按TapTap补全代码；偶尔遇到个线程问题，忘记了语法，就直接对话框问AI；甚至在新项目初始化的时候，直接全部交给AI。AI Coding已经融了大部分的开发生活，使用已经是一种习惯。但即使你面试的AI Agent岗位，面试官还是会照例问你八股，这还有必要吗？我已经tap链接大脑，AI 代替思考了呀？ AI 现状  很多产出变得更像“对的”，但更难确认它真的“能上线”  传统工作模式下，我们编码的工作受限于思考，心流的过程。但如果测试时发现问题，可以快速在脑海里定位到大概位置，心中有码。 而与AI人机协作后，我们更多的时间花在编码后的测试，因为代码没过脑，很多写法可能与现...

Java 作为后端主力语言很抗打，但想拓宽赛道，有两个方向可以试试。第一是云原生相关(Docker+K8s),之前实习部署项目，本地跑的好好的，到测试环境就各种依赖冲突，折腾了两天没搞定。后来学了Docker，把项目和依赖打包成镜像，一键部署，再也没踩过环境的坑。现在大厂后端岗位几乎都要求懂点云原生，哪怕只是基础的镜像打包、容器编排，面试时提一嘴都能加分。第二是AI工程化相关技能了。不用深钻算法，重点学怎么把AI 模型落地到业务里，比如用Python+LangChain个简单的代码文档生成脚本，或者对接大模型 API做个内部需求分析小工具。我之前用这个帮组里生成接口注释，节省了不少重复工作，带教还夸我会找提效方法，现在很多公司都在搞AI+业务，懂点工程化落地，比只会写CURD 的后端更有竞争力。不用贪多，先吃透一个方向，技能树慢慢点，比盲目跟风学一堆新技术更实在。

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...