从“会聊天”到“能干活”：一篇讲透 Agent 开发求职、实习与简历的文章“Agent（智能体）开发”这两年火得很快：朋友圈在晒 Demo、公司在招人、面试在加题，但很多人心里还是一团雾——到底什么算 Agent？实习在干什么？怎么找工作？简历怎么写才不虚？以及最现实的一句：怎么判断这份实习到底值不值？这篇文章就用工程化视角把它讲清楚：Agent 不是玄学，而是一套“LLM + 工具 + 状态 + 评测 + 线上约束”的系统工程。会写 prompt 只是入场券；真正的竞争力来自你能不能把它做成“可用、可控、可评测、可迭代”的产品能力。一、先把“Agent”翻译成人话：它到底是什么？很多人对 A...

来杭州实习的第三周，天天早九晚六感觉就已经很精神疲惫了，也没有多少私人时间，不敢想象如果是大厂的逆天作息我能活几年。果然人只有真正来上班了才知道自己想要什么，比起天天高强度被压榨拿到一份不错的薪水，我还是更喜欢能边摸鱼边混口饭吃。已经开始准备秋招找国企躺平了，大三想进国企该准备什么，是不是跟私企互联网招聘路子完全不一样，前边的准备是不是一点用没有了

零实习进大厂，本质上是因为他们的简历证明了他们不需要通过实习来证明能力。很多同学在大二大三就参加过ACM-ICPC等顶级算法竞赛，拿过金银牌，这种含金量远超一份在大厂里偶尔修修边角的实习经历。面试官在招人时，逻辑非常简单：实习经历是证明“你做过类似的事”，而竞赛成绩和高质量的开源项目证明的是“你具备极强的学习和解决问题的潜力”。在大厂看来，潜力往往比经验更值钱，因为经验可以积累，但那种极客般的敏锐度是很难培养出来的。

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...