1、讲讲什么是 RAGRAG 是 Retrieval-Augmented Generation，也就是检索增强生成。它的核心思想不是只靠大模型参数里记住的知识回答问题，而是在回答之前，先去外部知识库里检索和当前问题相关的内容，再把检索结果作为上下文交给模型生成答案。完整流程一般分两部分。离线侧先做文档接入、清洗、切片、向量化和索引构建，把知识变成可检索的形式。在线侧收到用户问题后，先做 query 改写或纠错，再去知识库召回相关片段，必要时做 rerank 重排，最后把用户问题和证据一起送给模型生成。RAG 的价值主要有三个：让模型获得训练时没有的外部知识让知识更新不依赖重新训练模型让回答更容...

这种要去吗？

有大佬能帮忙看看，简历还需要怎么改吗🥲🥲

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...