一、概述与全链路 RAG（检索增强生成）：用户提问 → 检索知识库相关片段 → 注入 Prompt → LLM 基于真实数据生成。解决知识截止、幻觉、无法访问私有数据。 Naive RAG（检索-拼接-生成）→ Advanced RAG（Query 改写、混合检索、Rerank）→ Modular RAG（可插拔模块、Agent 动态决策） 文档 → Chunking → Embedding → 向量数据库 用户查询 → Query改写 → 向量化 → 混合检索 → Rerank → Prompt → LLM生成  二、文档处理（Chunking + Metadata） 切分策略    策略 ...

现在大二，投了很多没人理，看到很多都是要大三的，可不可以伪装成27届找实习啊。有没有人经历过。

其实是简历求拷打 各位佬尽情拷打吧

自我介绍项目1. 介绍下 Agent 项目中和亮点2. 项目的主要难点是什么3. 举一个项目中的例子4. ES 在项目中的功能5. 检索结果如何进行融合6. 具体是怎么生成向量的，维度是多少7. 怎么让模型知道有哪些工具，以及模型是如何调用工具的8. SSE 协议返回信息的格式是什么样的9. 记忆模块怎么设计的10. 短期记忆放在哪11. 结构化信息有哪些12. 什么时候开始长期记忆抽取13. 使用 Redis 存储短期记忆产生的大 Key 问题怎么解决14. 如何设计一个上下文卸载功能？15. Agen 执行时间长，在服务重启/崩溃后，如何保证可以接着执行任务，保证任务可以完成MySQL 1...