一、概述与全链路 RAG（检索增强生成）：用户提问 → 检索知识库相关片段 → 注入 Prompt → LLM 基于真实数据生成。解决知识截止、幻觉、无法访问私有数据。 Naive RAG（检索-拼接-生成）→ Advanced RAG（Query 改写、混合检索、Rerank）→ Modular RAG（可插拔模块、Agent 动态决策） 文档 → Chunking → Embedding → 向量数据库 用户查询 → Query改写 → 向量化 → 混合检索 → Rerank → Prompt → LLM生成  二、文档处理（Chunking + Metadata） 切分策略    策略 ...

4.21投递 一直没有部门捞，是投的太晚了还是没填内推码

最容易上手的是任务自动化Agent。找一个你日常真实存在的重复性工作，让Agent帮你跑。比如每天早上自动抓取行业新闻、过滤关键词、总结成三句话发到邮件。听起来简单，但做的过程中你会遇到：工具调用失败怎么重试、输出格式不稳定怎么约束、任务链断掉怎么恢复。这些坑踩完，面试能聊一个小时。第二个是多Agent协作系统。一个Agent负责搜索、一个负责总结、一个负责校验结果，三个Agent互相协作完成一个复杂任务。这个方向现在很热，面试官见得少，你做出来了自然有话题。用LangGraph或者AutoGen都可以搭，难点在于怎么设计Agent之间的通信和任务分配逻辑。第三个是带记忆的个人助手。不是那种每...