1、RAG 流程RAG 一般分成离线和在线两部分。离线侧主要做文档接入、清洗、切分、向量化和索引构建。文档来源可以是产品文档、帮助中心、接口文档、历史问答、内部知识库。清洗之后按段落、标题或者固定窗口做切片，再用 embedding 模型把文本转成向量，写入向量数据库，同时保留 metadata，比如文档类型、时间、部门、权限标签。在线侧通常是用户问题进来后，先做 query 预处理，比如改写、纠错、意图识别，然后拿 query 去做检索。检索可以是向量检索、BM25 检索或者混合检索。召回到候选片段后，再做 rerank，把最相关的内容排到前面，最后拼接 prompt 和用户问题一起送给大模...

正式进入AI Coding时代了  

想知道这种双非简历能拿啥工资，不行的话就考研刷学历或者考公了。求大佬帮忙看看

这段时间看了一些简历，有一个比较明显的感受：👉 不是大家不会写简历，而是很多人没有站在“筛选方”的角度去想问题你写的是“你做了什么”，但面试官在判断的是：👉 “我为什么要承担面你的成本”这个视角一变，其实很多问题就会变得很清晰。下面说几种我通常不会继续往下看的情况。第一种：信息很多，但“决策成本很高”的这类简历的特点是：技术栈很多项目也不少甚至看起来不差但问题在于：👉 我需要花比较长时间，才能判断你到底强在哪而现实是：面试官每天要看很多简历，👉 “无法快速下判断” = 风险高 = 放弃这里有个很多人没意识到的点：不同阶段的筛选，其实容忍度是不一样的。有些情况下，可以接受信息稍微“模糊一...