叮！途虎26届校招限定盲盒，已打包完毕！今年我们准备了 A/B两款神秘主题随机发出每一份都超有料🎒 通勤充电包 (A款)双肩包 + 午休毯 + 手机支架 + 咖啡杯陪你从课堂到职场，轻松通勤，随时回血🧳 差旅元气箱 (B款)手提箱 + 保温杯 + U型枕 + 手机支架 + 午休毯助你出差旅行，说走就走，一路舒适 所有礼包将在春节前统一寄出盲盒随机发货，快来接住这份职场第一份惊喜！

刚上班没多久，还没钱租大房子这小小的空间成了我的家自己简单收拾了一下，感觉还不错吧！

五年攒到100w，最快的应该是去大厂pdd，腾讯，字节，小红书……大概率能在五年之后攒到纯现金100w……做算法的更快，三年就能达标！说实话，目前自己连10w都没攒到，100w都不知道要到猴年马月了……

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...