手把手带你拆解一个 GitHub 开源项目，用 LangGraph 从零搭建多 Agent 智能助手。Supervisor 架构 + 5 个专业子 Agent，代码不到 3000 行，适合写进简历的实战项目。    三、架构详解 用户消息 (Telegram / Slack) | v +---------------+ | Manager Agent | GPT-4o + SQLite记忆 +-------+-------+ | | SendMessage 工具（动态注入） | +-----+-----+-----+-----+ v v v v v 消息 日历 待办 协作 搜索 Agent A...

攒人品中，祝大家都能拿到满意的Offer！项目深挖（AI项目+后端项目）1、为什么要引入父子索引？BM25引入的原因是什么，比例是怎么设置的，整个具体流程是怎样的，有没有做rerank操作？2、如果做了rerank， rerank之后返回几个块？有没有做过一些验证来确保效果？3、rerank之后的topk截断是怎么实现的？为什么选这个k值，有没有考虑过其他方案？4、讲一下上下文工程，还有记忆功能是怎么实现的。5、讲一下LRU的原理和实现。

1、RAG 流程RAG 一般分成离线和在线两部分。离线侧主要做文档接入、清洗、切分、向量化和索引构建。文档来源可以是产品文档、帮助中心、接口文档、历史问答、内部知识库。清洗之后按段落、标题或者固定窗口做切片，再用 embedding 模型把文本转成向量，写入向量数据库，同时保留 metadata，比如文档类型、时间、部门、权限标签。在线侧通常是用户问题进来后，先做 query 预处理，比如改写、纠错、意图识别，然后拿 query 去做检索。检索可以是向量检索、BM25 检索或者混合检索。召回到候选片段后，再做 rerank，把最相关的内容排到前面，最后拼接 prompt 和用户问题一起送给大模...

兄弟姐妹们帮帮看下还有什么可以优化的地方