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 ...

修改了下简历，这两天投的也没啥面试，都是简历投递出去就不回复了

是简历有问题吗

请先做一个简单的自我介绍。挑一个你觉得做得最好的项目，详细介绍一下。你觉得这个项目里面最有挑战性的部分是哪一块？你在参考开源/现有方案的过程中，自己做了哪些改进？在开发过程中，有遇到过上下文过大的问题吗？怎么处理？你的长期记忆和短期记忆分别是怎么做的？你提到的“强约束信息”会不会越积越多？如果越来越多，你怎么处理？你简历里写了熟悉 MySQL，MySQL 在你的项目里主要用在哪些场景？具体讲一下你项目里的数据一致性场景。你说的最终一致性，具体是怎么实现的？如果消息发送失败了，这个任务到底算成功还是失败？在发送消息之前，你是不是还做了消息持久化之类的处理？具体流程是什么？Redis 扣库存成功之...