1、RAG 里的幻觉怎么解决？RAG 幻觉一般来自三种情况：没有召回到正确证据、召回到了但排序不对、证据足够但模型还是自己补。解决也要对应分层。第一层是提高文档质量和召回质量，比如切片更合理、用混合检索、做 query rewrite、加 metadata 过滤。第二层是重排层，用 rerank 模型让最相关证据排前面。第三层是生成层，要让模型严格基于证据回答，证据不足就拒答，不允许自由扩写。如果从更抽象的角度看，幻觉问题本质上是“系统回答倾向强于证据约束”。所以真正要解决的是：让系统在信息不足时学会克制，而不是为了流畅性硬编一个完整答案。2、LoRA 微调原理LoRA 是 Low-Rank ...

这个它石是真的恶心，一天就给我结束了。看了一下JD，估计就是卡学历，非要985/211吐了。。。。

正式进入AI Coding时代了  

一、项目经历与基础了解二、RAG 系统设计你重构的检索增强架构，整体数据是如何设计的？文档上传后是直接做向量化吗？流程是怎样的？向量化用的是哪个模型？是怎么转化成向量的？向量化调用了哪个第三方 API？向量检索和关键词检索为什么要结合使用？重排策略是怎么设计的？用了什么算法？有没有验证过重排效果？双方召回后，最终的排序是如何融合的？如果 RAG 系统上线后用户反馈不准确，你会从哪些维度排查和优化？三、MCP 工具调用与 Function Call 区别你实现的 MCP 工具调用是怎么做的？MCP、Function Call、手写提示词拼接、Skill 这些分别在什么场景使用？有什么区别？Fun...