快过年了，就别再揪着 Vibe Code、OpenClaw、各种 Skills 没完没了聊了。你费心部署的那些 Bot、AI 助手，过年回家半点儿实际用场都派不上。朋友聚在一起掏着钱吃喝玩乐热热闹闹，你却在一旁对着刚搭好的 AI 助手发愁，默默嘀咕怎么又不生效、跑不通。亲戚吃饭问你一年有啥收获，你兴冲冲说自己做了 AI 助手、写了好几个挺厉害的 Skills，亲戚们听得一脸茫然，你还暗自觉得他们不懂 AI 时代，不明白你这 “超级个体” 的价值。可等到父母和同事聊起儿女，别家孩子买房买车、升职加薪，你爸妈只能沉默不语，心里只想着：自家孩子成天对着黑底白字的屏幕自言自语，时而笑时而点头，也不知道...

朋友说他那的实习生连环境都不会装，还不如我。可我怎么感觉找个实习特别难🥲

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...