每日奇遇

1. 自我介绍 简单聊聊你写的这个项目2. bge-m3 的预训练过程是什么，为什么它可以高效检索bge-m3 的核心不只是“做 embedding”，而是把多种检索信号统一进同一个模型框架里。它同时支持 dense、sparse 和 multi-vector 三种表示。dense 负责语义层面的相似性，sparse 更接近词项权重匹配，multi-vector 则适合处理长文档、多粒度语义对齐。这样一个 query 不再只依赖单一路径召回，所以在复杂检索场景里更稳。从训练角度看，它一般不是只靠单一对比学习目标，而是会结合多任务数据，让模型既学语义匹配，也学词面相关性和局部对齐能力。高效检索的...

就是觉得好漂亮，可能是配色？

年前一面通过，后面问是否考虑外包岗位，撤回的消息说的是“没办法，学历是硬性指标”，难绷那你面我干啥呢，浪费双方时间，你早说是外包岗我还接你面试干啥😂

无八股，全程都在聊AI项目，手撕算法题是lc.15三数之和对于 AIAgent 模式，你如何评判当前系统和切换到另一种模式（如 cline/code 模式）的效果差异？ 你如何设计量化指标来评估不同实现方式的效果？ 你怎么看待 RAG？它的价值是什么？ RAG 和本地知识库有什么差别？ 你说 RAG 有用，那它具体好在哪？优化了什么指标？提升了多少？ 如果把你的项目做成 agent 并对外服务，你如何评估 RAG 的效果（比如准确率、拦截率等）？ 如果不用 RAG，而是用更强的大模型，会怎么样？ 你有没有试过使用最强模型（比如在线 API）替代本地模型 + RAG？ 你有没有做过模型微调？ 你...