一、概述与全链路 RAG（检索增强生成）：用户提问 → 检索知识库相关片段 → 注入 Prompt → LLM 基于真实数据生成。解决知识截止、幻觉、无法访问私有数据。 Naive RAG（检索-拼接-生成）→ Advanced RAG（Query 改写、混合检索、Rerank）→ Modular RAG（可插拔模块、Agent 动态决策） 文档 → Chunking → Embedding → 向量数据库 用户查询 → Query改写 → 向量化 → 混合检索 → Rerank → Prompt → LLM生成  二、文档处理（Chunking + Metadata） 切分策略    策略 ...

27届投递的大厂暑期，目前一个约面都没，做了测评后都在泡池子。。有什么可以改进的吗，求各位佬锐评。

上来是手撕一道找链表的中间节点 一道lru 总共撕了1h 第一道有点错找了一会然后两个项目是纯后端的 问我有没有做过ai相关的 我说最近在做一个agent智能体 然后问了我流式输出的原理 rag mcp感觉鹅已经全面拥抱ai了 没有单纯的后端开发了 还是太菜了没有好好准备ai相关的内容+手撕时间太长了