# 决策 001：以 RAG 深耕 + 项目驱动为求职主线

- **日期**：2026-06-29
- **触发**：分析知乎 AI 课程宣讲后，批判性评估自身求职定位
- **状态**：已确认，执行中

---

## 核心决策

**不做"学更多"，做"做更深"**——把旅游搭子项目从 60 分做到 85 分，作为求职王牌，而非继续扩展学习范围或报新课程。

---

## 五条策略要点

### 1. RAG = 最高频考点，但"搭出来"≠"会了"

- 面试官会追问：检索准确率评估方法、chunk 策略、rerank 方案对比、排查路径
- 旅游搭子天然有 RAG 场景（景点/酒店/攻略检索）
- **行动**：在旅游搭子里把 RAG 调到"好用"，准备好上述问题的量化答案

### 2. 定位"模型二开"，而非"模型训练"

- 岗位需求：二开 >> 训练基座模型
- 我的优势：熟悉 Claude Code / 扣子 / Dify，本质在做"模型 + 工具 + 业务"
- **面试包装**：不说"我会用 XX 工具"，说"我能根据业务需求选择模型+技术组合并交付产品"
- **证据**：旅游搭子 = flyai + didi + 联网搜索 → 出行助手

### 3. toB 比 toC 更稳，论文方向天然对口

- 投递优先：SaaS、电商服务、金融科技、企业知识管理
- 论文（跨境电商 + 多智能体）天然 toB：跨境卖家需要 AI 做详情页/客服/多语言翻译
- **面试策略**：主动把论文方向和 AI 应用结合讲

### 4. 初级岗被 AI 吃掉，卡"不可替代"位

- 危险区：只会调 API 拼 prompt
- 安全区：能理解业务、设计方案、评估效果、踩过坑
- **行动**：旅游搭子上线真实渠道（飞书/微信），处理真实异常 case，记录踩坑故事

### 5. 面试时说"往下走一层"的话

| 别人说 | 我说 |
|--------|------|
| 用过 LangChain | 对比了 Naive RAG vs 加 rerank 后的效果差异 |
| 了解 Agent | 做过出行规划 Agent，遇到模型跳步骤，解决方案是…… |
| 会 Fine-tune | Fine-tune 是最后手段，90% 场景 RAG 就够了——会说"什么时候不用" |

---

## 一句话

**把 RAG + Agent 能力在旅游搭子里从 60 → 85 分，准备好决策过程和踩坑故事。比报任何课都管用。**