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...

你们这些卡92的，就在jd里标清只要92，装什么众生平等。发70个邮件让我完善简历，我还以为被网暴了。说的就是你慧策，上午参加了宣讲会，技术岗位上来来了一句：只要92或双非ACM银牌，66666。说双非本只能投销售类，后期能转岗（虽然但是就你小子公司的hr已读且回复，那有毛用），92才不去你们那破公司，双非本就和有案底没区别，快滚。

做技术面试官这些年，经历过线下面试的严谨，也适应了线上面试的便捷。自从公司全面转为线上面试，虽然视频沟通少了些面对面的直观感，但对算法题作答来说，不管是候选人提交代码，还是我们校验结果，都比以前方便了不少。但是去年开始，我被一个新问题困扰——越来越多的候选人在面试中使用AI辅助。这事儿最让人纠结的地方在于，大多时候都只是“嫌疑”，没有实锤。你说直接判定为作弊吧，怕冤枉了品行端正的候选人；可要是在面试过程中直接点破，又容易引发投诉和舆情。更麻烦的是，由于这几位作弊的候选人，我们整个面试团队都会变得格外警惕。之后面试每一个人，都会下意识地寻找作弊的蛛丝马迹，眼神、语速、回答的流畅度，甚至是镜头外的...