AI 应用开发Ⅱ

1. 项目中 RAG 流程是什么？

标准 RAG 流程（五步）

用户提问
   ↓
① Query 处理（改写/扩展/分解）
   ↓
② 检索（Retrieval）
   ↓
③ 重排序（Rerank）
   ↓
④ 上下文拼装（Context Packing）
   ↓
⑤ 生成（Generation）
   ↓
最终回答

各步骤详解

面试回答模板

我们项目的 RAG 流程是：首先对用户 Query 做改写和扩展，然后通过混合检索（向量 + BM25）从知识库召回相关文档，再用 Reranker 做精排，最后把筛选后的上下文拼入 Prompt 让 LLM 生成回答。同时会要求模型只基于检索到的证据回答，没有匹配就明确告知不确定。

2. RAG 切块太小导致上下文语义断裂，如何处理？

问题本质

切块（Chunk）太小会导致：一句话被拆成两块，单独看每块都不完整，检索到的内容丢失上下文，模型无法理解完整语义。

解决方案（五种）

推荐方案：父子块策略

文档
├── 父块 A（1024 tokens）← 检索命中后，把整个父块送给 LLM
│   ├── 子块 A1（256 tokens）← 用于向量检索
│   ├── 子块 A2（256 tokens）
│   └── 子块 A3（256 tokens）
└── 父块 B（1024 tokens）
    ├── 子块 B1（256 tokens）
    └── 子块 B2（256 tokens）

用小块做精准检索，用大块保留上下文。兼顾检索精度和语义完整性。

3. 文档指代消解如何做？

问题本质

文档中常见指代现象，例如：

• "该公司2025年营收增长30%。其净利润也大幅提升。" — "其"指代"该公司"
• "张三负责前端开发。他使用了 React 框架。" — "他"指代"张三"

如果直接切块，"其净利润大幅提升"单独拿出来不知道"其"是谁，检索时也无法通过"其"匹配到"该公司"。

解决方案

面试回答模板

指代消解主要在文档预处理阶段做。入库前用 LLM 或 NLP 工具识别代词并替换为实际实体，比如"其"替换为"该公司"。同时配合父子块策略，确保切块时保留足够上下文，让代词和指代对象在同一块内。

4. LangChain 中 Handoff 如何设计流程流转？

Handoff 是什么

Handoff（交接）是 LangGraph 中多 Agent 协作的核心机制，指一个 Agent 将任务控制权交给另一个 Agent。

设计模式

模式一：条件路由（Conditional Routing）

from langgraph.graph import StateGraph

def router(state):
    """根据当前状态决定下一步由谁处理"""
    if state["intent"] == "code":
        return "coder_agent"
    elif state["intent"] == "research":
        return "researcher_agent"
    else:
        return "general_agent"

graph = StateGraph(AgentState)
graph.add_node("planner", planner_agent)
graph.add_node("coder_agent", coder_agent)
graph.add_node("researcher_agent", researcher_agent)

# 条件边：planner 根据意图路由到不同 Agent
graph.add_conditional_edges("planner", router)

模式二：Tool-based Handoff

每个 Agent 作为一个 Tool 暴露给其他 Agent：

# Agent A 把 Agent B 封装成工具
tools = [
    Tool(
        name="delegate_to_coder",
        func=coder_agent.run,
        description="将编码任务交给 Coder Agent"
    ),
    Tool(
        name="delegate_to_reviewer",
        func=reviewer_agent.run,
        description="将审查任务交给 Reviewer Agent"
    )
]

模式三：Supervisor 模式

由一个 Supervisor Agent 统一调度：

Supervisor
  ├── 判断任务类型
  ├── 分派给对应 Agent
  ├── 收集结果
  └── 决定是否需要进一步处理

面试回答模板

LangChain/LangGraph 中的 Handoff 主要有三种设计：条件路由通过状态判断直接跳转到对应 Agent；Tool-based Handoff 把每个 Agent 封装成工具供其他 Agent 调用；Supervisor 模式由一个主 Agent 统一调度。生产中常用 Supervisor 模式，因为 Harness 可以在 Supervisor 层做预算控制、权限校验和失败处理。

5. 主流 Agent 架构你是如何理解的？

六种主流架构

ReAct 架构图

用户提问 → Thought（思考下一步）→ Action（调用工具）→ Observation（观察结果）→ Thought → ... → 最终回答

Plan-and-Execute 架构图

用户提问 → Planner（生成计划：Step1, Step2, Step3）→ Executor（逐步执行）→ Replanner（根据结果调整计划）→ 最终回答

核心理解

Agent 架构的本质是控制流的设计。ReAct 是最简单的循环控制；Plan-and-Execute 把"想"和"做"分离；Router 做意图分发；Supervisor 做任务编排。生产中往往不是单一架构，而是混合使用：顶层用 Supervisor 编排，子任务用 ReAct 或 Plan-and-Execute 执行，固定环节用 Workflow 保证稳定性。

6. 最新技术（Harmes Agent、OpenClaw、Skills）

Harmes Agent（Multi-Agent Harness）

参考上一篇笔记《生产级Multi-Agent-Harness设计全拆解》：

• Agent 的"操作系统"，负责编排、调度、记忆、状态、工具治理、预算控制、可观测性
• 核心原则：Agent 负责局部智能，Harness 负责全局控制
• 五大模块：架构编排、工具治理、状态与记忆、评估体系、成本控制

OpenClaw（Claude Code / Cursor 底层架构）

OpenClaw 指的是 AI Coding Agent 的底层执行框架，核心特点：

Skills（技能系统）

Skills 是 Agent 能力的模块化封装：

Skill = 触发条件 + 执行逻辑 + 输出格式

• 每个 Skill 是一个独立的能力单元（如"搜索网页"、"读取文件"、"运行测试"）
• Agent 根据用户意图动态加载合适的 Skill
• 解决了"所有能力塞进 System Prompt 导致上下文爆炸"的问题

面试回答模板

最新的技术趋势是把 Agent 做成工程化的生产系统。Harness 是多 Agent 的运行时底座，负责编排、记忆、成本、安全。OpenClaw 是 Coding Agent 的执行框架，通过工具调用操作代码库。Skills 是能力的模块化封装，按需加载而非全量注入 System Prompt。

7. OpenClaw 如何设置 Memory？

Memory 分层设计

OpenClaw/Claude Code 的 Memory 实现

~/.claude/
├── settings.json          # 用户配置
├── projects/
│   └── {project-hash}/
│       └── memory/        # 长期记忆文件
│           ├── user_preferences.md
│           ├── project_context.md
│           └── MEMORY.md  # 记忆索引

设置方式

1. 手动设置：用户说"记住 XXX"，Agent 写入 memory 文件
2. 自动设置：Agent 在交互中自动提取高价值信息写入 memory
3. 读取方式：每次对话开始时自动加载 MEMORY.md 索引，按需读取相关记忆文件

面试回答模板

OpenClaw 的 Memory 分三层：短期记忆在上下文窗口中，保留最近几轮对话；长期记忆以文件形式存储在磁盘上，比如 CLAUDE.md 和 memory 目录；摘要记忆是旧对话的压缩版。每次对话开始时加载记忆索引，按需读取相关记忆文件。用户可以手动让 Agent 记住某些信息，Agent 也会自动提取高价值信息写入。

8. OpenClaw 没有向量数据库是如何查询的？

核心答案：基于文件系统 + Grep/Glob + LLM 理解

OpenClaw（Claude Code）不使用向量数据库，而是用以下方式定位信息：

为什么不需要向量数据库

关键洞察

向量数据库解决的是无 LLM 时的语义检索问题。当 Agent 本身就有一个强大的 LLM 作为"大脑"时，它可以自己推理"应该去哪里找什么"，用 Grep/Glob/Read 就够了。LLM 本身就是最好的"语义搜索引擎"。

9. Cursor 中没有向量数据库，是如何定位到你要修改的位置？

Cursor 的定位机制

用户输入："给登录函数加上错误处理"
   ↓
① LLM 分析意图 → 需要找到 auth/login 相关文件
   ↓
② 用 Grep 搜索关键词：login、auth、sign_in
   ↓
③ 用 Glob 搜索文件模式：**/*auth*、**/*login*
   ↓
④ 读取候选文件内容
   ↓
⑤ LLM 理解代码结构，确定具体函数位置
   ↓
⑥ 生成修改方案，调用 Edit 工具修改

运行时 Bash 文件内容

当 Cursor/Claude Code 执行 Bash 命令时，通常包含：

# 搜索文件
find . -name "*.py" | grep auth
# 或
grep -r "def login" --include="*.py" .

# 读取文件
cat src/auth/login.py

# 运行测试
python -m pytest tests/test_auth.py

# Git 操作
git diff
git add src/auth/login.py

核心答案

Cursor 不需要向量数据库，因为 LLM 本身就是语义理解引擎。它通过 Grep/Glob 快速定位候选文件，再通过 LLM 理解代码结构精确定位修改位置。这比向量数据库更灵活，因为 LLM 可以根据上下文动态调整搜索策略。

10. Linux 如何找文件？

常用命令

find 高级用法

# 按名称查找
find . -name "*.py"

# 按类型查找（f=文件，d=目录）
find . -type f -name "*.py"

# 按大小查找
find . -size +100M

# 按修改时间查找（7天内修改的）
find . -mtime -7

# 组合条件
find . -name "*.py" -mtime -7 -size +1k

# 执行操作（找到后删除）
find . -name "*.tmp" -exec rm {} \;

面试回答模板

Linux 找文件主要用 find 命令，支持按名称、类型、大小、时间等条件搜索。快速定位用 locate（基于数据库），搜索文件内容用 grep。生产环境中 find -exec 配合其他命令可以实现批量操作。

11. AI 生成后上传到云端，如何提高用户使用效率？

问题本质

AI 生成内容后需要上传到云端，如何让用户更快、更省地完成这个过程。

优化方案

部署优化（回答面试官可能想问的）

面试回答模板

主要从三个层面优化：生成阶段用流式输出和增量生成，让用户不用等；上传阶段用增量上传、压缩传输、并行上传减少耗时；部署阶段用边缘节点、预热缓存降低延迟。如果是模型推理场景，还可以用 vLLM 加速推理、量化减少显存占用、异步架构避免阻塞用户。

总结：面试核心考点