叮！途虎26届校招限定盲盒，已打包完毕！今年我们准备了 A/B两款神秘主题随机发出每一份都超有料🎒 通勤充电包 (A款)双肩包 + 午休毯 + 手机支架 + 咖啡杯陪你从课堂到职场，轻松通勤，随时回血🧳 差旅元气箱 (B款)手提箱 + 保温杯 + U型枕 + 手机支架 + 午休毯助你出差旅行，说走就走，一路舒适 所有礼包将在春节前统一寄出盲盒随机发货，快来接住这份职场第一份惊喜！

今天在飞书上突然看到 HR 在群里已经发了 2027 年的应届生招聘，心里想着很多 26 届的老同志可能都没有找到工作，现在就已经开始 27 届了。实在是感慨，真的是一届比一届早，会不会以后甚至直接还没有开始秋招，就已经开始找下一届的实习生？干脆从大一就开始出去实习算了。真是太离谱呀！

空了好多，还是给苍穹外卖写上了我想再做个别的项目替换掉这个外卖接下来是做微服务好，还是做个AI好啊

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...