1. 自我介绍2. 多阶段 RAG 里同时使用 BM25 和向量召回，混合检索策略通常怎么设计混合检索的关键不是把两路结果简单拼起来，而是根据问题类型决定两路召回各自承担什么角色。BM25 对精确术语、错误码、接口名、字段名、版本号这类关键词命中很强，向量召回则更擅长语义改写、口语化表达和抽象问题。真正稳定的设计一般是先并行召回，再做去重、融合、重排，最后再进入上下文构建阶段。如果问题本身是“精确定位型”，比如某个报错码、类名、接口路径，BM25 权重通常更高；如果问题是“意图表达型”，比如用户用自然语言描述故障现象，向量召回的权重会更高。工程里比较常见的是先取两路 topk，再用 RRF 或...

我投的后台开发。。。这还要面吗

1.工具调用率核心提高了15%，依赖的是什么手段？2.意图不太明确的时候，显著调用的是什么？3.命中率是用什么指标来衡量的?有线上数据吗？4.有去判断模型整体的一个准确率，以及token消耗量？5.有考虑过通过大语言模型进行二轮评估吗?6.agno框架和其他框架有什么区别？7.有了解过harness工程吗？8.整体的话有没有做什么编排调度？目前大多数ai coding的编排还是比较固定的，规划 生产 评估，有尝试完成这种编排吗？9.你觉得你们公司的场景适合这么做吗？10.context engineering长期记忆 短期记忆是怎么进行组织的？11.怎么保证记忆不会随着时间长期进行腐化？算法：...