一天996可以，一周可以，一年可以，三年可以，五年呢？十年呢？最近深圳36岁工程师猝死，公司24小时注销微信让人心寒。甚至在他猝死后的一个小时后他又被拉入新的工作群，群友还艾特他处理订单。死亡8小时后，他的手机还收到私聊工作信息，“周一要把这个改下”。这位程序员一直认真负责，卷到了部门经理的位置，却在36岁的壮年猝然离世。再高薪的工作也不值得用健康去换。成果是公司的，命却是自己的。

1.极速Landing​入职第一周，就能快速摸清团队架构、核心业务与关键流程，主动熟悉环境、索要资料，对自己的实习目标有清晰规划。2.主动学习​不满足于被安排的任务，会主动利用文档、课程和搜索工具拓展认知，并愿意深入追问业务逻辑背后的“为什么”。3. 会排序优先级​能判断任务轻重缓急，主动与 mentor 对齐期望和时间节点，兼顾效率与质量，不被琐事带偏节奏。4.高情商沟通​懂得在合适时机、用恰当方式沟通，能融入团队文化，人际关系融洽，也愿意主动分享与协助同事。5.踏实靠谱​交付扎实、细节到位，有复核习惯，对基础工作也耐心负责，懂得“小事不出错”是建立信任的基石。6.闭环力强​事事有回应、件件有着落，及时同步进展，主动汇报结果，永远不让事情石沉大海。7.主动沉淀​擅长整理复盘，将过程、经验、资源转化为清晰文档，后期甚至能输出总结与优化建议，为团队留档。愿你也能成为那个让人眼前一亮的人。

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...