在爱玛总部上班快一年了。 说实话，刚入职的时候，我对办公环境没抱太大期待。 不是说爱玛不好，主要是我对“制造业公司”的想象比较固定：办公室在产线的隔间，房间昏暗喧吵，工位是90年代老式抽屉，食堂要拿着铝盒拜托阿姨不要手抖。（抱歉，幼时的电视剧过于深入人心了...）来了之后发现完全不是这样，每个人都有自己的独立办公位，有宽敞明亮的会议室，有展厅有阅读空间有实验室，已经非常好了！ 直到前段时间，公司通知要搬进新办公大楼。当时我正在工位上扒饭，看到消息的第一反应是：能有多大区别？后来我第一次站在新大楼下面，才发现自己之前想简单了。一、第一眼：它真的不像我想象里的制造业办公楼我对新大楼的第一印象，是“...

我用过：“Claudecode”、“Cursor”。。。对面：“所以咱们这边是没有用过VibeCoding是吧”哈哈哈哈哈哈哈好像机器人检索关键词你们有遇到这么奇葩的HR吗？

记得上次找日常实习从投递到最后offer总共花了51天这次暑期也是惊人的相似，从开始投递到offer也是花了51天暑期总结蚂蚁3月20一面挂阿里所有意向简历挂美团3月18一面挂字节3月17投递3月23一面3月27二面3月30三面，三天后挂+转岗4月10从二面复活4月17三面4月20offer快手4月1日一面4月13日二面4月20hr面百度4月11日一面4月14日二面4月17日三面这回教训就是以后不要在职面试了，实在太累+心态不稳，一开始想着就算没有公司要还能在现在公司赖着，最后活也不想干，面试也不想面感谢字节收留了，听说强度不小（早10晚10），好在base在广州，希望顶住😥😥

在 AI 应用的场景中，rag可以说是一项必备的技术，在智能客服，导购 agent，智能创作等有检索需求的场景都会使用到，所以这里结合一些实际的应用场景和大家做一些分享一，数据准备数据准备是 rag 整个流水线中非常重要的一环，所以在实际的生产场景中，也主要是看数据解析，以及使用不同的向量库落库的过程 文件解析（pdf，docx，txt，md）目前常见的文件解析，就是利用 Apache tika 等开源库做解析组件，但对于一些富文本的数据，比如有图片和表格的情况，就要借用 ocr 等辅助手段大表格处理表格是比较常见的数据类型之一，但是大表格解析通常会有一些问题比如在切块的时候如果每一行都作为 ...