Claude Code 最近很火，号称“自然语言编程”神器。但是它官方的 Token 贵得离谱，还得开 Pro 会员，考虑到大家平时的使用可能并不需要那么强力的模型，so我们来个拼好饭版的性价比选项——智谱，glm官方支持直接把 API 接入到 Claude Code 里， 也就是用智谱的价格，享受 Claude Code 的完整交互体验。今天手把手教大家怎么在 Terminal (终端) 里配置这一套“拼好饭”方案。安装之前需要准备Node.js 环境和gitbash，但是我们都这么懒了，哦不，ai都这么发达了，直接让AI干多好，so TRAE就是你的不二之选，直接把这个需求给它让它开搞完成...

刚刚去面了一家看起来只有10个人不到的小公司。我一进去他们的人：你先填表。然后我就填了如下内容：1. 个人基本信息：姓名，电话，学校等。2. 荣誉证书奖项等我没填的有：1. 个人身份证号2. 家庭地址3. 家庭成员信息4. 从高中到大学的学校信息5. 等...过了一会儿，然后他们把我的表交给面试官。面试官：这张表你就这样填的？那你不用面了。我：😅我寻思着也不是什么国家政府单位，而且还没入职和面试，为什么要填这么多消息？😅

😅😅😅😅

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...