标题: RAG实战：自制了一个Memos AI，分享一下过程中遇到的坑
作者: #diyun
板块: #开发调优
编号: 956005
帖子: https://linux.do/t/topic/956005
时间: 2025-09-14 14:31:18
摘要:

Github上有一个很知名的项目，叫做Memos，不知道站里的佬友们用的多不多。这是一个开源且轻量级的自托管笔记服务，我用不上太花里胡哨的功能，而Memos这种随记随走的风格我也很喜欢（说起来算是国产优秀笔记flomo的替代品）。

在用了好几年后，我瞅着这些笔记，突然一个念头油然而生，这不正是当下我最完美的 RAG (检索增强生成) 数据集吗？ 如果能让 AI 来理解和检索我的笔记，我岂不是拥有了一个真正懂我的个人 AI 助手？
我的风格是说干就干，熬了几天就把它的初版给干出来了。但是我没想到，其实整个过程比我想象的要曲折，充满了各种坑。今天开这篇文章，就是要记录并分享一下我踩过的这些坑，和过程中想到的一些解决方案，希望也能给大家一点启发。另外我这里没有教程，因为代码都是AI写的，所以只谈思路，不聊代码。
第一个坑：向量模型
万事开头难，第一个难题就是向量模型（Embedding Model）的选择。最省事的方案当然是直接调用 OpenAI或者国内厂商的 Embedding API。简单、高效，效果还好。但当我估算了一下我现有笔记的量，以及未来每天增量的同步成本，我默默地看了一眼我的钱包……钱包一紧，我开始担心免费额度是否 hold 住，长期使用的成本我也估算不来，心里没底，对于我这个人项目来说，感觉是不够“经济适用”。
于是我转向了本地部署开源模型，简单的向AI询问了一下，便让AI帮我部署了一套本地支持 CUDA 加速的模型，毕竟“快”是第一生产力。在我的开发机上，一切顺利，性能杠杠的。
但是，这里总是要有个但是，当我的 Memos AI 终于跑起来时，我兴奋地问了它一个问题。我知道有一条笔记肯定能回答，但结果却让我大失所望——最相关的那条笔记内容毫无踪影。
我深入排查（深入问AI）后发现，问题出在向量搜索的局限性上。我的那条笔记，开头有几个与问题匹配的中文关键词，但笔记的主体内容是一大段代码。对于向量模型来说，它看到了开头的几个中文词，觉得有点相关，但它看到后面大段的、与问题语义完全不同的代码时，它认为这条笔记的整体“语义”和我的问题相去甚

标题: 继续做自然语言分析，看看boss直聘要求AI开发者的详细要求
作者: #liangdabiao
板块: #开发调优
编号: 956084
帖子: https://linux.do/t/topic/956084
时间: 2025-09-14 15:21:50
摘要:

上次做了一般性的统计描述分析：
  
    
    
    
      boss直聘究竟要求佬们的AI技术是哪些方面呢？不妨做一个数据分析 
  

开发调优
    
  
  
    boss直聘究竟要求佬们的AI技术是哪些方面呢？不妨做一个数据分析看看，很多都是AI辅助，所以只能截图看看，详细的数据和分析我会上传到github分享： 
分析的类似这种需求形式： 
一、职位概述作为大模型智能体技术专家，负责设计、开发和优化对话系统中的智能体解决方案，解决领域专业问题。
二、岗位职责1、设计并实现基于大模型的智能体架构，支撑机器人及其他硬件载体的本体控制，以及各类生活、教育类服务…
  


这次继续做自然语言分析，看看boss直聘要求AI开发者的详细：
我们要更细分，普通开发者，中级开发者，高级开发者 分别的详细要求情况：
普通开发者：（20k ）
本科：
职责：

技能要求：

硕士：
职责：

技能要求：

中级开发者：（35k ）
本科：
职责：

技能要求：

硕士：
职责：

技能要求：

高级开发者：（35k+）
本科：
职责：

技能要求：

硕士博士：
职责：

技能要求：

什么团队在招聘：
普通工资：

中等工资：

高工资：

薪资福利情况：