注：这次面试经历比较特别，可能不太具有参考性一面前：面试官电话邀约，加完微信后出了道题目：实现一个 web 自动化测试，打开元宝的网站，通过手机验证码的方式登录，能登录成功元宝网站，并且发送“今天天气怎么样”给元宝，最后判断元宝是否返回了结果即可。一天内完成即可。当时以为是KPI面，不是很想做，但是毕竟是来之不易的机会，最终还是选择在第二天晚上十点左右将结果反馈给了面试官。没想到的是面试官过了一会儿居然回复了，然后他问了我一些实现细节，就约第二天晚上面试了。一面：20分钟简历上的项目，20分钟题目——由于我是手机接收了验证码后手动输入到终端中，面试官问有没有什么办法能够自动获取手机中的验证码。...

面试随便聊了聊就给offer了，干得好像太杂了，对后端开发没帮助，我是去苟着骑驴找马还是专心准备大厂#牛客创作赏金赛#

这个时间点投是不是不迟了，只有一个ICPC银

理想：RAG 的完美愿景 在大语言模型（LLM）的浪潮中，检索增强生成（Retrieval-Augmented Generation, RAG）被寄予厚望，作为 LLM 应用落地的关键技术范式之一，它的核心思想很简单： “让大模型在生成答案时，先检索外部知识库，确保回答既准确又新鲜。” 理论上，RAG 能解决大语言模型（LLM）的三大痛点： 知识固化：LLM 依赖训练数据，无法自动更新知识（如 GPT-4 不知道 2024 年后的新闻），导致时效性差、专业领域知识不足，而 RAG 通过连接外部知识库，可以随时引入新信息。 幻觉问题：LLM 可能编造虚假信息，而 RAG 为回答提供证据、增强生...