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...

Time line2.2 约一面2.4 一面2.5 约二面＋二面2.8 hr面后秒云证2.12 邮箱oc

修改了下简历，这两天投的也没啥面试，都是简历投递出去就不回复了

1.skills和tools是怎么区分的？2.skills真正的优点是什么？能做到什么？3.mcp的讲解？ mcp要定义接口的话，必须把参数那些都定义到上下文中，他是一个比较冗余的信息，会污染到上下文。正常的工具调用是不需要这些冗杂语义的，而skill会隔离这些东西在上下文里面会去隔离这些东西，不光是token消耗量。还有一个重点就是做到按需加载，渐进式加载的问题。4.长期记忆是怎么做的？用户的记忆属于实体记忆，实体记忆应该更偏向于关键词记忆，并非rag。5.接触过融合检索吗？融合检索是什么？6.混合检索的融合算法是什么样的？他的比重是什么样子的？有可能rag找回了top5，es召回了top5...