30*18，服务端，应该是全网最低价了，秒拒绝

俺平时都是在会议室面试的，奈何会议室被另一个同门约了面试了，楼下的实验室又有同门在做笔试，只能跑回宿舍面试。大家都懂互联网的面试指不定就一小时以上了，没有电源的地方真的不敢赌。但是俺们宿舍又属于随性派，摄像头一开就感觉乱乱的，没时间找帘子，尝试两件浅色的衣服挂在了床架上，本人坐在衣服前面，试图制造纯色背景。奈何本人比较较小，衣服也有点小，怎么挡都挡不全，总能从各个小缝隙里瞥见真相。面试官进会议的时候我就想，这局完了。

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...