找工作好难啊

1. 自我介绍2. 多阶段 RAG 里同时使用 BM25 和向量召回，混合检索策略通常怎么设计混合检索的关键不是把两路结果简单拼起来，而是根据问题类型决定两路召回各自承担什么角色。BM25 对精确术语、错误码、接口名、字段名、版本号这类关键词命中很强，向量召回则更擅长语义改写、口语化表达和抽象问题。真正稳定的设计一般是先并行召回，再做去重、融合、重排，最后再进入上下文构建阶段。如果问题本身是“精确定位型”，比如某个报错码、类名、接口路径，BM25 权重通常更高；如果问题是“意图表达型”，比如用户用自然语言描述故障现象，向量召回的权重会更高。工程里比较常见的是先取两路 topk，再用 RRF 或...

27届双非普本，目前主要就数分、AI coding、AI智能体，投了一个月至今0Office，不管哪个平台都是不理你或已读不回😅，是简历有问题吗，各位大佬能帮忙看一下吗，要焦虑完了😰，找工作没一个聊天是正反馈。😵

1. 自我介绍2. 介绍你写的这个项目3. 为什么要做多 Agent，而不是把所有能力都塞进一个 Agent多 Agent 的核心价值不是“看起来更高级”，而是把复杂任务里的角色分工显式化。单 Agent 在任务很长、工具很多、约束很多的时候，容易把规划、检索、判断和执行混在一起，导致上下文污染、错误放大、调试困难。多 Agent 可以把流程拆成规划 Agent、检索 Agent、执行 Agent、审查 Agent，每个 Agent 只负责一类清晰目标，行为边界更稳定。但多 Agent 也不是默认更好。它会引入额外通信成本、状态同步复杂度和错误传播路径。真正适合多 Agent 的场景，一般满足...

还是太菜了，下去沉淀一下1. 实习拷打2. 项目拷打3. 你针对图片的评测标准如何构建？4. 定义评测标准之后，是靠人去做吗，有没有自动化工具的引入？5. 评测集总共有多少条？6. 针对图片的一些图像检测算法有使用和引入吗？7. 你觉得从评测集的覆盖度上看，有什么缺陷吗？8. 从用户线上反馈来看，你觉得对于你评测集优化有什么帮助吗？9. 评测集构建过程中，自己构建和用户反馈各自占的比例大概是多少？10. 你对市面上主流的agent产品有了解吗？11. 就结合上面这个业务，如果让你设计一个agent，你会如何设计？考虑哪些点。12. 如果让你定义agent评测指标，你会关注哪些点？13. agent性能维度，你了解哪些指标？14. skill和tool的区别是什么？15. 模型的上下文压缩有了解吗？16. 你在实习过程中，有没有由你自己主导，实现并上线的一个功能，非执行层面的？17. 实现过程中，用了哪些开源的skill或者工具，解决了什么问题？