题解 | #IP地址#Python真是太优雅了

1. 介绍一下你做过的一个大模型项目2. 如果让你设计一个适合购票的 Agent 系统，你会怎么做3. RAG 在酒旅场景里最容易出什么问题，怎么解决酒旅场景里的 RAG 最大问题不是召回不到，而是召回到了“看起来很像但不适用”的内容。比如同一家酒店不同套餐、同一航司不同舱位、同一个城市不同出发日期、同一政策不同会员等级，文本很像，但结论完全不同。模型一旦把这些证据混在一起，就很容易生成似是而非的答案。解决方法通常不是单纯提升 embedding，而是先把检索约束做对。比如 query 里要强绑定出发时间、订单状态、航司、舱位、供应商、会员等级这些 metadata，再在这个前提下做 dens...

说实话我当时秋招的时候就一个目标：必须进大厂。不是说小公司不好，而是我双非本，如果第一份工作再没个好平台背书，以后跳槽简历都不好看。事实上我把大厂投了个遍，笔试挂了一大半，面试又挂了几家，最后就拿了一个offer。过程确实很痛苦，但我觉得值。进来之后感受就是：流程规范、技术栈新、身边同事都很强，每天被卷但也确实在成长。而且说句现实的，大厂的薪资确实比同届去小公司的同学高出不少。当然我也知道大厂有大厂的问题，什么螺丝钉啊内卷啊，但我觉得对于实习来说，先进去学再说，后面想走随时可以走，但第一份工作的起点真的很重要。

1. 介绍一下 bge-m3 和 DBSCAN，以及它们各自的优势bge-m3 是一个面向检索场景的多功能 embedding 模型，它的特点不是单一做稠密向量表示，而是把 dense、sparse 和 multi-vector 几种检索能力统一到一个模型里。dense 表示负责语义相似，sparse 表示更接近关键词匹配，multi-vector 更适合长文档和细粒度匹配。这样做的好处是一个模型可以兼顾语义召回和词面召回，尤其适合知识检索、教育问答、题目匹配这类场景。DBSCAN 是一种基于密度的聚类算法。它通过两个参数来定义簇：一个是邻域半径 eps，一个是形成核心点所需的最小样本数 mi...