1 月 20 号的机试，今天（2 月 10 日）才面试。先说我自己，c9本科应届生，成绩年级倒数前十。经历写的有高中时候的信息学竞赛，省一省二；大一一个水课，老师分享个课题给我们体验一下流程的一个课题，当时随便做的，简历也写上去；毕业论文。说白了就是简历空空。机考选择题统统不会，编程题三道对一错一，挺简单的只是当时不熟 python 还拿 python 写导致不太行。面试一开始定的 1 月 26 日，我说我没空，让安排到 28 号， 谁知华子也拖着拖着直到今天。时间紧 ，任务重，早上专业一二面，下午主管面。专业一面面试官人很好，一直在笑。自我介绍。问了老家哪里的，高考多少分。然后问竞赛，面试官...

好几个同学都在百度实习过，百度是真培养人啊，来了都是先给文档还有学习路径自己去学，对实习生简直不要太友好。之前干过几家，都是来了自己学自己干活，我还是喜欢那种培养之后再上岗的，心里会有点底

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...