大华

大家好，我是程序员鱼皮。最近这两年，只要你接触过 AI 编程，大概率听过一个词，RAG（Retrieval-Augmented Generation）。但很多小伙伴对 RAG 都只是一知半解，导致面试的时候只能说出 “检索增强生成” 这六个字，面试官再多问一点，就只能 “阿巴阿巴”。而这篇文章，是对 RAG 技术的一个全景科普，从最初的 Naive RAG、到现在最主流的 Agentic RAG，总共 16 种主流 RAG 方案，我会一次性给大家讲清楚。以后开发 AI 应用的过程中，无论遇到什么场景，都能选择最合适的 RAG 方案。干货比较多，建议先点赞收藏，再慢慢往下看~什么是 RAG？AI...

就是一个普通二本学院，我这还能找到工作吗，有什么建议吗。哎。真心建议，嘲笑也能接受，哥哥们

是不是希望越来越渺茫了  

请先做一个简单的自我介绍。挑一个你觉得做得最好的项目，详细介绍一下。你觉得这个项目里面最有挑战性的部分是哪一块？你在参考开源/现有方案的过程中，自己做了哪些改进？在开发过程中，有遇到过上下文过大的问题吗？怎么处理？你的长期记忆和短期记忆分别是怎么做的？你提到的“强约束信息”会不会越积越多？如果越来越多，你怎么处理？你简历里写了熟悉 MySQL，MySQL 在你的项目里主要用在哪些场景？具体讲一下你项目里的数据一致性场景。你说的最终一致性，具体是怎么实现的？如果消息发送失败了，这个任务到底算成功还是失败？在发送消息之前，你是不是还做了消息持久化之类的处理？具体流程是什么？Redis 扣库存成功之...