在使用AI编程的过程中，我逐渐发现，高效的关键不是“让AI替我写代码”，而是“让我和AI一起写代码”。首先，我会把需求拆得足够清晰再提问。与其说“帮我写一个系统”，不如具体说明功能、语言、框架和预期效果。描述越清楚，AI给出的代码越准确，也能减少反复修改的时间。其次，我把AI当作编程助手，而不是一次性生成器。我常用它来生成函数、优化逻辑、排查报错或解释代码，而不是直接复制整段代码运行。通过逐段验证和理解，我既提高效率，也不会失去对项目的掌控。同时，我会持续迭代提问。如果第一次结果不理想，我会补充条件、指出问题、要求优化。把对话当作协作过程，而不是单次请求，效果往往更好。对我来说，高效使用AI ...

本人27学院本 ，第一次实习是外包，结果直接去京东总部驻场了，实习了一个月，一直跟京东那边对需求，按照京东的规范流程走，我是java后端和安卓(现学)一起干，一天12h周六日没放过假，酒店公司报销。现在整个项目暂停了，不知道年后能不能恢复。如果不恢复就是去做别的项目，大概率是MES系统，但是老板说年后要讨论一下agent开发，并且推出了自己公司的ai智能体，请问大佬们我是继续干还是去准备暑期呢？如果我要是包装简历能直接写京东么

…… 标题党了，对不起各位牛爷爷了，请问各位简历有没有要优化的

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...