1. 自我介绍2. RAG 怎么优化，评估时你会看哪些指标RAG 的优化一般不能只盯着生成端，很多问题其实出在检索阶段。常见优化思路包括 query rewrite、chunk 切分策略调整、混合召回、重排序、上下文压缩和引用约束。比如文档切得太碎，召回会有信息断裂；切得太长，又容易把无关信息一起带进来，生成端会受污染。真正线上效果好的 RAG，通常不是“某个 embedding 更强”，而是检索、排序、上下文组织和回答约束配合得比较好。评估时我一般拆成两层。第一层看检索，比如 Recall@k、MRR、HitRate，看相关证据能不能被捞上来；第二层看生成，比如答案正确率、faithfuln...

boss上投了200份了，还是没有约到面试，甚至没有回复，好焦虑😖

搞笑呢？？？？？

一、基础概念类说说你对 Agent 的理解，和传统 LLM 有什么区别？常见的 Agent 架构有哪些？ReAct、Reflexion、Plan-and-Solve 你用过哪些？Tool Calling 原理是什么？怎么保证工具调用稳定？RAG 和 Agent 怎么结合？各自适用什么场景？二、技术实现类你做过的 Agent 项目流程是怎样的？从 0 到 1 怎么搭建？如何做 Prompt 工程优化 Agent 的思考与执行？多轮对话中怎么维护状态、记忆和上下文？遇到模型拒绝执行、幻觉、工具调用失败怎么解决？有没有做过多 Agent 协作？任务如何拆分、调度？向量数据库怎么选？chunk 大小、...