1. 自我介绍2. 什么是 RAG？它和普通大模型问答有什么区别？答案：RAG 是 Retrieval-Augmented Generation，也就是检索增强生成。它不是让大模型完全依赖参数记忆回答问题，而是在生成答案前，先从外部知识库里检索相关资料，再把检索结果作为上下文交给大模型生成答案。普通大模型问答依赖模型训练时学到的知识，容易出现知识过期、幻觉、无法引用来源等问题。RAG 的优势是可以接入企业私有知识、实时文档和业务数据库，并且答案可以追溯到原始证据。它更适合企业内部知识问答、客服、运维、法规、医疗、金融等知识更新频繁且要求可追溯的场景。 def rag_pipeline(quer...

26应届，想找一份后端开发的工作，这样子的简历可以吗

求锐评 目前0offer😢

今天直接上硬菜。面试官只要问Embedding，跑不出这三个方向：维度怎么定、距离怎么算、降维怎么画图。咱们不讲虚的，直接给答案、给理由、给操作。第一击：维度——不是越大越好，也不是越小越香面试常问： 你们Embedding维度设多少？为什么？直接回答： 一般在64到512之间。推荐从128开始试。为什么不是越大越好？维度太高 → 向量稀疏，每个位置都“有点意思但又不确定”，模型容易记住噪音而不是规律（过拟合）。计算慢、存储大，线上推理成本翻倍。为什么不是越小越好？维度太低 → 信息挤在一起，就像把一张高清图压成马赛克，物品/用户之间的差异表达不出来。实践口诀：数据量小就偏小（64~128），...