Hstar

你的问题是注释和代码对不上, 解决问题的办法是让 AI 把注释写对, 而不是因噎废食.
有注释能极大加速 AI 排查定位 bug 的速度, 降低 token 消耗, 可以搜搜相关研究. 同时注释也是给人看的, 总不能你这项目以后没活人写代码了吧

补充, 如果是就近找到了房子, 可以签个长约, 以及数额比较大的反悔条款. 因为明年开始, 美团和 B 站要逐步搬入杨树浦路上的新总部, 这一片房租肯定涨.

可以了解下是什么公司吗, 这地方和我现在住的地方简直贴脸了.
回答下 UP 的问题, 去东边眉州路上找, 不少老小区, 比较便宜, 步行 10 分钟可达. 大致价位是 5000 左右一居室, 4000 以内合租单间, 超过的不划算不用考虑.
看不上可以沿着兰州路 18 号线往北找其他老小区, 都是居住区, 选择很广, 而且骑车 10 分钟内可达.
如果这片看不上, 那就选 18 号线浦东方向的北中路莲溪路两站附近居住区, 新房子比较多, 价格也会贵不少.

补个大致的薪资范围和地点吧

哥们, 别被资本家的套路影响了, 连坐这招就是在搞分化对立.
不用管什么原因, 只用管这命令谁下达的就好了.

我讲下我们的方案, 供参考
1. 外部请求经由 API 服务, 先把 session / message 之类数据前置准备好, 包括使用的模型/配置等等, 保存到 DB, 返回前端消息创建成功.
2. python 端相当于是个纯运行 agent 的异步任务后台, 用一个消息队列触发. 用 rpc 触发也可以, 个人感觉 python 用 rpc 比较丑陋, 很少这么用.
3. python agent 接到的任务就是运行一个指定的 message, 负责直接维护和 LLM 供应商的数据流, 然后根据数据做各种操作, tool call / 本地数据操作之类的.
4. 需要暴露给用户的内容, python agent 把约定好的 sse chunk 数据塞进当前 message 专属的 redis stream 或者类似的轻量队列就好, 再做些生命周期管理避免资源占用.
5. 前端经过 API 服务用新接口打开 sse 连接, 从当前 message 专属的队列里读 sse chunk 然后吐给前端.

@murongxdb RAG 只是一个形式, 底层搜索用的 文件 grep 还是 ES 还是 向量数据库 亦或是其他什么东西不就丰俭由人了嘛. 你这问题问得好怪

先说 RAG, 当有数据的量级大到难以注入给 Agent 的文件系统时, 甚至量大到连数据索引都可能会超 100K token 时, RAG 才有必要. 大部分情况下直接把引用内容挂到 Agent 的文件系统里, 加三五行对文件结构的介绍, 让 AI 用 ls 和 grep 去使用, 效果就很好了.
再说 langchain, 我觉得定位于一个新 Agent 产品的 bootstrap 还是不错的. 迭代下去总会发现有不能满足的需求, 还有多余的功能. 在 AI 加持下参考基于 langchain 的项目代码, 再从头撸一个也不费什么事.

390/680 ，刚刚及格。
要我说这孩子过去三年一共也就学了两个月吧，V 站的大家都上过初中，拿及格分是什么难度都知道。说难听点，让一个六年级小学生，认真听老师建议，刷一个月的题都能考到 60% 及格线。
国内公立路线没戏了，就两个月了国内其他路线也没戏了。有钱买个英国高中上上可能相对最好。
三年初中，这成绩也不是一朝一夕的，现在还没想好出路，看得出家长不上心也不靠谱，我劝你就眼睛一闭，管好你自己吧。