凡人小北

统计数据

78
文章
0
粉丝
0
获赞
2023
阅读
avatar
凡人小北
9个月前
Gemini 太懂现代人了！ 上线了个狠活：你看完深度报告，它直接给你出题考试。 专治：你以为懂了，其实根本没懂。 别小看一个 Quiz，这其实是 AI-native 学习系统的一块重要拼图： 学→考→补→再学，全闭环，全自动。 AI 时代的学习，不是看得多，是你有没有能力复用知识。 Quiz，就是在训练你这个能力。
#Gemini #AI学习 #深度报告 #自动化学习 #Quiz #知识复用
avatar
凡人小北
9个月前
建议大家，别在简历里写“熟悉 RAG”了，或者面试前好好学学。 我面试过不少人，说熟悉 RAG，结果一问就穿帮。 RAG 绝大多数工程师只碰到前半段： 拿个 LangChain，上个向量库，把 chunk 和 embedding 丢进去跑个检索； 看起来跑通了，实际啥也没掌握。 但只要你简历上写了，面试官就会问你下面这些（当然不写也不一定逃得过）： - chunk 是怎么切的？固定？语义？还是自适应？ - embedding 模型选型和维度怎么来的？ - rerank 用没用？怎么融合 BM25 和 dense 检索？ - prompt 是你写的吗？有没有评估 hit rate、hallucination？ 说实话，不是算法出身的人，如果没系统做过推荐系统或者检索优化，很多人说不清。 RAG 的前半段几乎就是推荐系统那套召回 + 排序 + 精排的逻辑： embedding = 向量化特征建模 检索 = 多路召回 rerank = 打分排序 但后半段还多了 prompt 设计、上下文拼接、生成模型行为控制这几个大坑。 所以我劝一句： RAG 真不是写个向量库调用就叫“熟悉”。写了，面试官只会当你能答全链。 别轻易说“熟悉”或“掌握”，你扛不住问。
谷歌Deep Research：AI操作系统雏形？· 145 条信息
#RAG面试 #LangChain #向量数据库 #检索优化 #prompt设计
avatar
凡人小北
9个月前
这场 AI 大战，终于从谁会造刀卷到了谁能杀猪。 SaaS 的故事讲效率，AI 的下半场只讲结果。 不拼功能，不卷模型，而是看谁能跑完任务、闭上利润闭环。 这不是一轮产品升级，是一场价值重构。 红杉 AI 你们峰会的一些观点，值得经常翻出来咀嚼：
#AI大战 #saas #AI下半场 #红杉峰会 #价值重构