AI产品知识补齐｜RAG

一天一个AI岗位介绍，今天要解读的JD岗位是——AI产品研发工程师。 在大模型公司里，有一个岗位既不纯做算法，也不只是写后端，却承担着把 AI 真正落地的核心角色。 它的工作只有一句话：  把大模型能力，变成开发者每天愿意使用的工具。  像 GitHub 推出的 GitHub Copilot，以及 Cursor 这样的 AI 编程助手，本质上都依赖 AI 平台能力的工程化实现。 如果你看到 JD 里写“AI Platform / AI 产品研发工程师”，它通常不是纯算法岗，而是偏工程落地与系统构建的岗位。 一、这个岗位的核心工作是什么？ 从职责上看，可以分为四块，但本质只有一个关键词：工程化落...

一面 拷打实习和项目经历，问的非常详细。后面就问了一些直播相关的业务问题，说实话，我完全不知道咋回答，因为没做过直播就在瞎扯，怪尴尬的。二面 leader我的评价是不太像面试，更像唠嗑。首先我讲完自我介绍之后就问了下“你的大学生活看起来很丰富，有科研有实习，能和我分享一下异同么不太常规的面试问题，于是我瞎说了一通，他好像对我说啥也不是很感兴趣，主要是看回答的框架？他自己讲话就很有框架性。然后就直接让我分享我在抖音实习的经历，让我完整的讲一个项目。因为我之前一面问过这个岗位是做啥的，于是就挑了一个和岗位相关的经历说，他听得很认真，还会经常点头有反馈。之前都是严格用STAR法则说的，但是感觉面试官让他们感兴趣更重要，于是就更多的抛出一些认知，感觉像脱口秀说完经历没有问任何问题，就有点好奇你们这个产品和剪映有啥区别么？也不是常规的面试问题，经历也没有拷打，就纯聊天式提问，感觉像coffee chat然后就是英语环节。我英语口语一塌糊涂，半天憋不出来，脸都红了，他安慰我了一下，说我们跳过这个环节吧......

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...

这种简历可以吗想进个小公司就可以了，只想有个稳定的工作有点结巴