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 ...

rt 不知道是真的假的丁老板 太难绷了

面完之后：按记忆把题串起来说 手里那份问题清单，是好几场面谈里碎片问题的合集。 单独看每一条都像八股，串在一起你会发现面试官的注意力一直在两条线上晃：一条是「这东西在线上会不会出事」，一条是「你知不知道自己在用什么、没用上什么」。 下面按我自己后来复盘时觉得顺的思路写——从项目怎么讲，一路滑到 LangGraph、记忆、agent 形态、工具协议、RAG，最后落到后端那几道「看起来基础、其实能问穿」的题。 你如果对某一块熟，可以快速扫小标题跳读。 从项目讲起：先别急着报框架名 几乎所有 agent 岗都会从项目开刀。我踩过的坑是开场三十秒就把 LangGraph、LangChain、某某向量库...