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...

本人中(下)211大四，前段时间保研结束，想着玩几个月再找实习，12月下旬开始学习LLM的相关知识，至今刚好一个月，内容又多又杂，目前是在github找的一个简单的RAG，自己在上面改了几种检索方法，加了个agent的壳子，比起其他大佬的multi-agents，多模态，我这简直路边水平啊。我想着咋学都学不完，想就试着能不能找一个agent开发实习，目前简历还有什么地方可以优化一下吗？虚心接受牛爷爷们的建议，如果可以指导一下学习路线，项目推荐，就更加感谢了

这就是不想好好聊呗

1. 自我介绍（3-5分钟）面试官： 你好，先做个自我介绍吧，重点说说你的项目经验和技术栈。参考回答："您好，我是XXX，目前在XXX公司担任C++开发工程师，有X年开发经验。主要负责XXX系统的核心模块开发，这是一个高并发的后端服务，日均处理XXX万请求。我在项目中主要负责性能优化和稳定性保障，将接口响应时间从100ms优化到20ms，系统可用性达到99.9%。技术栈方面熟悉C++11/14/17，STL、Boost，有丰富的多线程编程经验，使用过MySQL、Redis，网络编程用过epoll。最近在学习C++20新特性和分布式系统设计。"2. 介绍一下你最有挑战性的项目...