实习生 房东出租北京海淀毛纺路58号院

在 AI 应用的场景中，rag可以说是一项必备的技术，在智能客服，导购 agent，智能创作等有检索需求的场景都会使用到，所以这里结合一些实际的应用场景和大家做一些分享一，数据准备数据准备是 rag 整个流水线中非常重要的一环，所以在实际的生产场景中，也主要是看数据解析，以及使用不同的向量库落库的过程 文件解析（pdf，docx，txt，md）目前常见的文件解析，就是利用 Apache tika 等开源库做解析组件，但对于一些富文本的数据，比如有图片和表格的情况，就要借用 ocr 等辅助手段大表格处理表格是比较常见的数据类型之一，但是大表格解析通常会有一些问题比如在切块的时候如果每一行都作为 ...

前天下午面的字节二面，确实面的不咋地就到今天也一直在横向中...

刚实习了两周，被导员一通电话打过来可能会给处分学校这里坚决是不允许大二大三实习，只有大四后半学期才允许😂不知道被谁举报的，总之回来领导跟我说了一大堆，说在学校呆着能学到知识以外的东西。然后一门课也是被重修了，感觉好不容易实个习，一波三折的。最后还是选择了不回头，总觉得，人这一生就这一次，要尽力去活才算圆满。

很多人一听到这个问题，就开始罗列一堆技术名词：ReAct、Plan-and-Executor、Reflection、Multi-Agent…如果面试官继续追问：为什么会出现这些范式？各自解决什么？本质区别在哪？项目里怎么选？很多人可能就会卡壳了。这些范式实际上都在解决一个问题：当任务越来越复杂时，如何让 Agent 变得更可靠？随着任务从简单的单工具调用，发展到多步骤长任务、跨领域复杂任务，再到企业级生产任务，Agent 暴露出一系列问题：长任务容易失控偏离目标、输出质量不稳定、单 Agent 上下文窗口有限、生产环境缺乏可控性与合规性等等。不同范式针对不同阶段的核心痛点提出了解决方案，但同时...