Agent 开发二面面经
完整信息
本篇目录
二面已过，三面横向中。。。不知道能不能横出来[牛泪]
一、项目
1. 介绍一下在学校做的 RAG 系统，整体流程是怎样的？
2. Markdown 文档的分块逻辑是怎样的？
2.1 是否先按照标题结构划分模块，再将模块拆成小 chunk？检索时召回小 chunk，再补充对应的父模块吗？
2.2 分块后与前面的内容进行聚合，具体是怎么实现的？相邻块之间是否会存在重合？
2.3 如果一段内容有 1,000 个 token，chunk size 为 400，最后剩余的 200 如何处理？是否会向前补充内容，凑成 400？
2.4 大部分 chunk 是否已经接近设定大小，实际很少触发向前补充上下文的逻辑？
2.5 分块大小、聚合时的 chunk size 分别设置为多少？
3. Markdown 中的图片、ul 等内容是如何处理的？
3.1 每张图片都需要进行一次模型推理，是否会导致文档保存、入库的耗时过长？
4. 项目使用的 Embedding 模型和向量数据库分别是什么？
5. 用户问题改写是如何实现的？
5.1 能否举例说明改写逻辑，以及改写前后的问题分别是什么？例如用户问“知识库里有哪些知识”，或者结合项目中的电商场景说明。
5.2 子问题是如何拆分的？拆分的目的是否是让每次检索只围绕一个问题，召回与该问题相关的知识？
5.3 问题改写和子问题拆分，是在一次模型推理中完成，还是需要多次调用模型？
5.4 这一步模型推理无法直接向用户流式输出答案，是否会导致用户等待答案的时间过长？
6. 混合检索是怎么实现的？
6.1 检索后的重排是怎么做的？
7. 简历中的“企业级 RAG”应该如何理解？企业级 RAG 与学习型 Demo 有哪些不同？
8. 实习拷打
二、算法
1. 算法题：使用 random5() 实现 random7()。
已知 random5() 等概率返回 0～4 的整数，仅使用该随机函数实现 random7()，使其等概率返回 0～6 的整数，不得使用其他随机数生成方法。
三、反问
1. 候选人：对于 Agent 开发方向，校招生需要具备哪些能力，有哪些要求？
本篇目录
当前问题0122
- 01
**1. 介绍一下在学校做的 RAG 系统，整体流程是怎样的？**
- 02
**2. Markdown 文档的分块逻辑是怎样的？**
- 03
2.1 是否先按照标题结构划分模块，再将模块拆成小 chunk？检索时召回小 chunk，再补充对应的父模块吗？
- 04
2.2 分块后与前面的内容进行聚合，具体是怎么实现的？相邻块之间是否会存在重合？
- 05
2.3 如果一段内容有 1,000 个 token，chunk size 为 400，最后剩余的 200 如何处理？是否会向前补充内容，凑成 400？
- 06
2.4 大部分 chunk 是否已经接近设定大小，实际很少触发向前补充上下文的逻辑？
- 07
2.5 分块大小、聚合时的 chunk size 分别设置为多少？
- 08
**3. Markdown 中的图片、`ul`** **等内容是如何处理的？**
- 09
**3. Markdown 中的图片、`ul`** **等内容是如何处理的？**
- 10
3.1 每张图片都需要进行一次模型推理，是否会导致文档保存、入库的耗时过长？
- 11
**4. 项目使用的 Embedding 模型和向量数据库分别是什么？**
- 12
**4. 项目使用的 Embedding 模型和向量数据库分别是什么？**
- 13
**5. 用户问题改写是如何实现的？**
- 14
5.1 能否举例说明改写逻辑，以及改写前后的问题分别是什么？例如用户问“知识库里有哪些知识”，或者结合项目中的电商场景说明。
- 15
5.2 子问题是如何拆分的？拆分的目的是否是让每次检索只围绕一个问题，召回与该问题相关的知识？
- 16
5.3 问题改写和子问题拆分，是在一次模型推理中完成，还是需要多次调用模型？
- 17
5.4 这一步模型推理无法直接向用户流式输出答案，是否会导致用户等待答案的时间过长？
- 18
**6. 混合检索是怎么实现的？**
- 19
6.1 检索后的重排是怎么做的？
- 20
**7. 简历中的“企业级 RAG”应该如何理解？企业级 RAG 与学习型 Demo 有哪些不同？**
- 21
已知 `random5()` 等概率返回 `0～4` 的整数，仅使用该随机函数实现 `random7()`，使其等概率返回 `0～6` 的整数，不得使用其他随机数生成方法。
- 22
**1. 候选人：对于 Agent 开发方向，校招生需要具备哪些能力，有哪些要求？**