手把手带你拆解一个 GitHub 开源项目，用 LangGraph 从零搭建多 Agent 智能助手。Supervisor 架构 + 5 个专业子 Agent，代码不到 3000 行，适合写进简历的实战项目。    三、架构详解 用户消息 (Telegram / Slack) | v +---------------+ | Manager Agent | GPT-4o + SQLite记忆 +-------+-------+ | | SendMessage 工具（动态注入） | +-----+-----+-----+-----+ v v v v v 消息 日历 待办 协作 搜索 Agent A...

攒人品中，祝大家都能拿到满意的Offer！项目深挖（AI项目+后端项目）1、为什么要引入父子索引？BM25引入的原因是什么，比例是怎么设置的，整个具体流程是怎样的，有没有做rerank操作？2、如果做了rerank， rerank之后返回几个块？有没有做过一些验证来确保效果？3、rerank之后的topk截断是怎么实现的？为什么选这个k值，有没有考虑过其他方案？4、讲一下上下文工程，还有记忆功能是怎么实现的。5、讲一下LRU的原理和实现。

1、自我介绍2、项目介绍3、离线数据处理咋做的离线数据处理我一般会按“采集、清洗、标准化、切分、标注、校验、入库”这条链路来做。先把多来源数据接进来，比如文档、表格、对话日志、接口结果、历史工单，然后做编码统一、去重、去噪、脏字段修复和无效样本过滤。对于文本类数据，还要做特殊符号清理、HTML 去标签、分段切分、敏感信息脱敏和元信息补全。如果是训练数据，还会进一步做 schema 对齐，比如统一成 instruction / input / output，或者统一成多轮消息格式 messages=[{role, content}]。如果是 RAG 知识数据，就会做 chunk 切分、标题挂载、...

是简历有什么问题吗，求大佬指点要玉玉了