淘天AI应用开发一面 面麻了给我

给我面没招了，发点面经攒攒人品～1.项目拷打2.你在这个 RAG 系统优化里面，在多阶段 RAG 系统中采用了 BM25 和向量混合检索，然后这个是怎么去设计两者的结合逻辑的？然后混合策略的话具体是如何去提升检索效果的？3.RAG支持 PDF 扫描件和 OCR，然后还有表格结构化的提取，然后在这过程中有没有遇到什么技术难点？4.识别准确率怎么样？5.这个多智能体系统设计里面，然后它的这个 State 管理和Checkpoint分配机制的具体实现方式是什么？怎么去解决对话执行中的状态竞争问题呢？6.怎么样实现 State 全局管理？7.将Choice 接口封装为MCP工具的时候，怎么去设计一个标准化接口？然后遇到有没有遇到过一些兼容性的挑战？8.举了项目里的一个例子，问我出参入参是怎么去定义的？9.大模型在调用这个工具的时候，比如说有 MCP 之前，它的调用的处理流程是什么样子的？10.或者说 MCP 它有哪些缺点或者挑战呢？11.提供的这个 MCP 的结果它是流式的吗？12.这个多agent项目是主子agent的项目吗？13.其中一个功能，然后它的 token 就是一次会话 token 大概有多少？有没有超过上限？14.模型用的哪个？我答Qwen，问我Qwen具体哪个版本15.在子任务过程中啊，如果它的某个子任务失败，比如说数据获取为空，它的这个整个工作流是怎么去重试或者是降级处理的？16.在实现这个流式输出实现的时候，比如说后端用了 FastAPI 和 SSE 来实现中间结果的实时流式输出。然后在这个 Langchain 这种基于图的状态机框架中，是怎么捕获每个 node 的执行结果，然后推送到前端的？17.LangGraph 和Langchain 为什么选择了 LangGraph 没有选择简单的那个 Langchain 呢？18.Checkpoint 的持久化19.对话之后重新连接的话，是怎么能够恢复到之前的那个状态呢？20.对话持久化的话，是存储到哪里的？是存储到内存里面，还是存到硬盘上面去的？21.关于 RAG 的，向量数据库在选择建索引的时候是用了哪种向量数据库？为什么？22.这里面你提到了 RRF 重排序，然后有没有引入什么模型进行精排？

1. 做一下自我介绍2. RAG 分块策略应该怎么选，真正影响效果的核心因素是什么分块策略不是越细越好，也不是统一按 token 长度切就行。真正影响效果的是 chunk 是否保留了完整语义单元、是否带有足够的定位信息、是否能在召回后被模型直接利用。像制度文档、规则文档、FAQ、表格和多层级说明，最佳切法差异很大。比较稳的方式通常是结构优先、语义补充、长度兜底，也就是先尊重标题、段落、表格、列表，再在超长片段内部做语义切分。这样做的目标不是生成整齐块，而是让每个 chunk 自带最小可回答上下文。3. 怎么评估 RAG 的效果，除了准确率还能看什么RAG 效果不能只看最终回答对不对，因为那样很...

双非硕，研二，求求各位佬给点建议，现在想找实习，all in AI应用开发行么，给点建议各位佬😭

1. Agent 和传统 workflow 的本质区别是什么，什么时候该选 Agent，什么时候不该选传统 workflow 的核心是路径预定义，系统知道每一步做什么、怎么流转、失败后怎么回退，所以它更适合规则清晰、链路稳定、审计要求高的场景。Agent 的核心则是把部分决策权交给模型，让它在运行时决定下一步查什么、调什么工具、如何分解任务，因此更适合任务开放、输入噪声大、解法不唯一的场景。真正的分界线不在“有没有模型”，而在“是否允许运行时规划”。如果目标是工单分类、审批流转、固定字段抽取，workflow 往往更稳；如果目标是复杂排障、代码仓库理解、跨工具探索式分析，Agent 才更有价值...