一、项目经历与基础了解二、RAG 系统设计你重构的检索增强架构，整体数据是如何设计的？文档上传后是直接做向量化吗？流程是怎样的？向量化用的是哪个模型？是怎么转化成向量的？向量化调用了哪个第三方 API？向量检索和关键词检索为什么要结合使用？重排策略是怎么设计的？用了什么算法？有没有验证过重排效果？双方召回后，最终的排序是如何融合的？如果 RAG 系统上线后用户反馈不准确，你会从哪些维度排查和优化？三、MCP 工具调用与 Function Call 区别你实现的 MCP 工具调用是怎么做的？MCP、Function Call、手写提示词拼接、Skill 这些分别在什么场景使用？有什么区别？Fun...

timeline过年前就约的年后三月份的面试2026 3.05 一面2026 3.10 二面（挂）2026 3.13 二面2026 3.16 hr面2026 3.19 口头oc2026 3.20 offer两道手撕无重复字符最长子串数组中能组成小于n的最大数字记录一下 不多写什么了 同时也感谢平台上以前发面经的佬们记录的一些手撕题目 刷一刷颇有成长

辅导员突然一个个来查，没招了。

1. 你做的 Agent 项目，完整链路讲一下完整链路一般是用户问题进入后，先做意图识别和 query 改写，再根据意图判断走纯 RAG、RAG + Tool，还是多 Agent workflow。检索阶段会做混合召回，再用 rerank 精排，拼接上下文后交给大模型生成。如果涉及订单、机票、酒店这类实时数据，会通过 function calling 调后端接口。最后返回答案时，会附上引用、置信度或者兜底话术。二面一般会继续追问每一层为什么这么设计，以及哪一层最容易出问题。 def agent_pipeline(query, user_profile): intent = detect_int...