许愿offer

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...

项目挺简单的，看起来没什么亮点，大家都是怎么包装项目的嘞(>﹏<)？

面了这么久发现面大厂虽然难，但整个面试流程是固定的，面完是会让你面试有所收获，能发现自己的缺陷不足的。面小厂纯属开盲盒，总能收获些神人上午面的一家小厂，面试官实习八股都不问上来直接让我写个功能，面到一半来句“wc，tmd这么d”（素质挺低的，不过不是骂我）下午二面的是家80人初创小厂叫句子互动，面试官是个中年光头男，要我百度一个在线编译器，10分钟写一道编程题（太久没写超时了），前面就感觉态度很怪，整个人很烦躁，我习惯性的打开了IDEA，来句“你没听清我说话吗？用在线编译”😅后面发我了一串代码让我讲解代码功能，代码太长飞书的弹幕列表又小，我拿触摸板复制不全。面试官就阴阳我“你觉得你是个细心的人吗？你代码都没复制全”，我道歉完之后，划拉了好一会那代码也粘不下来，我又道歉说我看着代码讲，那面试官还发火“把代码复制出来好吗？😡”要不是线上估计得跳过来打我本来前面态度差就够烦了，丢下一句话“爱过不过，真是费劲”就把会议关了，留下一脸懵逼的👨‍🦲

你问ChatGPT一个问题，它给你答案。你问Agent一个问题，它开始计划。这就是全部的区别。一个会自己拆解任务的程序去年有个程序员在推特上发了张截图。他让GPT-4帮他订机票，模型回复了一段完美的攻略，步骤清晰，逻辑严密。然后他又让一个Agent做同样的事，结果Agent打开了浏览器，搜索了航班，比对了价格，甚至尝试进入支付页面，最后因为没有绑定信用卡才停下来。这个差异来自Agent的核心架构。斯坦福大学在2023年的论文《Generative Agents》里把它拆成了三个部分，感知模块Perception、记忆模块Memory、行动模块Action。普通LLM只有一个推理引擎，你给它输入...