1. 自我介绍2. 介绍一个你做得比较完整、个人成长最多的项目，背景、目标、方案和效果是什么？3. 做这个项目时具体用了哪些方案或手段达成目标？答案：最核心的是把问题拆开，没有直接把所有文档塞给大模型。文档侧先做结构化解析，保留标题层级、版本号、适用部门、发布时间和权限标签；检索侧用了 BM25 和向量召回融合，因为制度类问题经常包含专有名词、系统名和缩写，单纯向量召回容易漏；生成侧强制模型基于证据回答，不允许没有证据时编造。训练侧做了两类任务，一类是意图分类和工单类型预测，用历史工单标题、正文、处理队列作为弱标签，再人工抽检；另一类是指令微调样本，用高质量问答、证据片段和标准处理建议构造。线...

PS：就我目前看到的AI项目而言，相信大家的检索能力，一定能找到相类似的，所以我这边就不贴出对应的github仓库链接了。我其实就是用的这两个，不过我对这两个进行了一些综合，把二者合二为一了。1. 本地私有知识库 RAG 助手核心价值：覆盖面试高频考点，完美匹配 “检索增强生成” 技术栈，做完能直接解决学习 / 工作痛点。落地路径：技术栈：Python + LangChain/LlamaIndex + Chroma/FAISS（向量库） + Streamlit（快速网页）核心功能：上传 PDF/Markdown 文档（比如你的技术笔记、行业报告）→ 智能切分（带 100-200token 重叠...