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...

😭😭😭😭，ssob没人理我啊，今晚改了改简历，各位佬拷打一下我

秋招0offer，估计简历有问题   

兄弟们，我先说个事。上周跟一个去年进字节的学长吃饭，他给我看了他们内部的一个文档——第七代AI面试官的评分细则。不是网上流传的那种“注意仪表”“保持微笑”的废话，是真的代码层面的考察逻辑。看完我后背发凉。你知道现在大厂技术岗的简历筛选和初面，已经变成什么样了吗？AI先筛简历，然后AI面试官直接跑你代码。HR只在你过了这两关之后才出现。也就是说，你投出去的简历，第一关是跟几千份简历一起被算法打分。匹配度不到80%的，直接进回收站。过了这一关，你会收到一个链接，点进去不是真人面试官，是一个AI系统。它会给你几道题，让你在线写代码，而且它会模拟Code Review——不只是看你跑不跑得通，而是看你...