一、概述与全链路 RAG（检索增强生成）：用户提问 → 检索知识库相关片段 → 注入 Prompt → LLM 基于真实数据生成。解决知识截止、幻觉、无法访问私有数据。 Naive RAG（检索-拼接-生成）→ Advanced RAG（Query 改写、混合检索、Rerank）→ Modular RAG（可插拔模块、Agent 动态决策） 文档 → Chunking → Embedding → 向量数据库 用户查询 → Query改写 → 向量化 → 混合检索 → Rerank → Prompt → LLM生成  二、文档处理（Chunking + Metadata） 切分策略    策略 ...

0实习，boss沟通了快一千个，就一个面试，求问问题出在简历还是招呼语呀？招呼语是：Boss您好，我对您发布的职位非常感兴趣，可以把简历发给您吗？

焦虑ing，二本，绩点挂车尾，无竞赛就会个stm32和freertos，esp32。无竞赛，学历差。真让人焦虑。这是应付学校任务写的简历，说实在的，平衡车和nwatch都是跟着视频(铁头山羊，韦东山)复刻的。MQTT这部分让ai吹了一下，实际上我不会LVGL，就在简历抹去了。八股文没开始背，面试题还没开始看。需不需要刷一点算法？来不及了，才知道大三这个时候应该投简历了，骑驴找马，边投边学

刷到有人问华泰星战营，翻下去年的经历，随便写写。bg：本天津大学，硕新国立，江苏人。当时其实主要是想找个暑期实习，对秋招有帮助那种。华泰base南京，我肯定重点看。没想着一定要拿offer，就觉得能去券商科技部门体验一下挺好的。结果……后面真拿到了，还拿了最高档奖金。我做的课题：金融领域有个痛点——前台写报告需要翻大量资料找数据，纯纯体力活。我们搭了个智能体，用大模型编排了一套流程：海量文本去重→提取→再加一个“反思”节点。就是第一轮提取的结果不一定符合需求，让大模型自己反思一下上一轮的结果，循环迭代，直到输出满意的东西。最后还要转成md这种指定格式。相当于一个“提取+反思”的循环结构，帮前台...