快手 租房

大家好，我是小富～前几天我不是分享了如何零成本搭建 next-ai-draw-io，教大家用 AI 生成 draw.io 风格的架构图。后台反响还不错，看来大家对手绘架构图真的是苦之久矣。但在日常写文章时，我发现很多读者更偏爱那种手绘感十足的 Excalidraw 风格，就是下面这种，逼格高、视觉美，能让文章瞬间显得高级起来：我原本在琢磨，能不能用 Gemini Pro 给自己搓一个 AI 绘图整合平台，把 draw.io 和 Excalidraw 全揉进去。结果去 GitHub 一搜，好家伙，已经有大佬把我想做的给做了！这个开源项目简直是为我这种懒癌博主量身定制的：Mermaid、draw....

拿到offer之后我就很少看牛客了我承认 没拿到offer之前大家都是焦虑的但是 牛客和xhs会放大你的焦虑让你看到同龄的人有多么多么厉害已经刷了多少段大厂实习然后你开始自我怀疑牛客的本意是交流学习 所以只要看面经就好了把自己变成不吃压力之人幸福生活 从不吃压力开始

一面问我后端，微服务数据库redis消息队列，计算机网络操作系统八股。二面问我agent，mcp，智能体框架，langgraph，多智能体协作范式，sse，react，function calling，CoT，few-shot，幻觉，记忆管理，rag流程和优化，工作流。三面问我有没有部署过大模型，微调，强化学习，目前垂直落地领域和常用架构等。

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...