1. 自我介绍2. RAG 怎么优化，评估时你会看哪些指标RAG 的优化一般不能只盯着生成端，很多问题其实出在检索阶段。常见优化思路包括 query rewrite、chunk 切分策略调整、混合召回、重排序、上下文压缩和引用约束。比如文档切得太碎，召回会有信息断裂；切得太长，又容易把无关信息一起带进来，生成端会受污染。真正线上效果好的 RAG，通常不是“某个 embedding 更强”，而是检索、排序、上下文组织和回答约束配合得比较好。评估时我一般拆成两层。第一层看检索，比如 Recall@k、MRR、HitRate，看相关证据能不能被捞上来；第二层看生成，比如答案正确率、faithfuln...

绷不住了

原来就算签了协议也是可以提前走的吗，有无有经验的前辈说说是真的吗

从去年实习时的古法编程，到如今一行代码都不自己写，也就隔了个AI的距离。现在最大的焦虑不是需求，不是排期，而是——token额度。4月才过三分之一，额度就干了一半。Claude Opus 4.6是真的强，但也真的烧，接下来得省着点换Codex续命了。半个月，靠AI写了2万行代码，而且还是一个完全不熟的技术栈。经常一句话下去，AI库库给我整出几百行，写得比我快多了。但问题也来了：review比写还累，编码一分钟，review半小时。 我现在基本看效果能跑就合了，不会逐行深究。结果就是：新技术栈学了个“会抄”，但没真学会。仅有的学习窗口，就是review时偷瞄AI是怎么组织代码的。这也是如今的现状...