前言 当我们尝试将网上开源的大模型部使用Ollama的方式署在本地，就会发现，呈现给我们的只有一个黑色对话框。 想要提供给他人使用，最佳方式还是提供一个网页或者API接口。对于后者，Ollama已经实现，你可以使用下面的地址  http://localhost:11434  假设你继续跟着官方教程，使用python或者其他语言，就可以制作一个简单的聊天助手，恭喜你完成了一个 Agent 的开发。 但是距离企业中落地的 Agent 还有一点距离，接下来，我将带你逐步补齐。  AI 核心概念 从机器学习（Machine Learning），自然语言处理（NLP）开始说起，对于作为后端的我，有点难为...

1. 问实习经历，但是拷打的是自己的项目，正规的规则引擎了解过吗，没有。2. 浏览器键入网址全过程3. http为什么是无状态4. 死锁条件5. 子网掩码的作用6. mysql b+树和b树7. redis数据结构，用什么结构实现延迟消息队列8. redis分片集群，如何分片的，有什么好处9. jvm内存分布，有垃圾回收的是哪些地方10. spring的aop是如何实现的11. 算法： 数组最大子串和 经过提示才写对，太菜了面完一个小时约二面。

我写简历之间没看过🐂客，想着自己想投啥就投啥吧。结果今天一看你们的简历，觉得我的简历太奇怪了。老早之前在一次校内的招聘会上投了自己的纸质版简历，当时编辑的时候寻思简历应该简洁大方一些。然后字体啥的也稍微比较大，而且最好一页。结果现在看来，我精简了很多天的简历，好像有点太简单了，看起来啥也不会一样😭

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...