AI 智能体项目补充面试问答汇总
整理日期:2026 年 11 月 11 日。对应项目:D:/my/AI/ai-workspace-agent/ai-workspace-agent。
本文件汇总项目面试题文档生成后的补充问答,重复问题已合并。回答结合此前查看的项目代码;“可以改进”不表示已经实现,历史测试记录也不等于当前运行结果。面试时按自己的真实参与程度说明个人贡献。
原有文档:AI 知识库智能体面试题与参考答案、个人网站项目面试题与参考答案。
目录
- Agent(智能体)的上下文工程如何设计
- 多轮对话状态如何管理,如何防止跑偏并支持中断恢复
- 如何设计评测集和指标,量化输出质量与任务成功率
- MCP(模型上下文协议)与 Function Calling(函数调用)的区别
- Function Calling 的完整流程
- 访客按 IP 限制,为什么换浏览器仍可能改变额度
- Cookie(浏览器保存的小段数据)的原理和项目应用
- 文档清洗具体做了什么
- 使用什么技术构建知识库和索引
- Agentic RAG(智能体驱动的检索增强生成)如何工作
- 知识库承担什么作用
- 稠密向量和稀疏向量的区别
- 项目检索召回的完整流程
- 长任务执行时,用户输入新问题如何处理
- 项目使用的具体模型与版本
- 熟悉哪些模型,结构有什么不同
- 常见位置编码及优缺点
- Agent 的记忆应该如何管理
- 如何终止工具调用循环并保留合理重试
- 如何约束并验证 AI 生成代码的质量
1. Agent 的上下文工程如何设计
**核心思路:**每次调用模型时,按任务组织系统规则、近期对话、技能指令、可用工具定义和本轮工具结果,而不是把所有资料和历史都发送给模型。
项目的上下文大致包括:
基础系统规则
+ 激活的 Skill(任务技能)指令
+ 最近 20 条对话消息
+ 当前允许使用的工具定义
+ 本轮工具调用及工具结果
系统规则说明回答边界和工具用途;政策摘要任务会附加专门指令并限制工具范围。知识库正文按需检索,命中的片段通过工具消息加入上下文。工具结果被视为不可信数据,不能覆盖系统规则。
项目对知识库标识采用后端注入,对工具调用做权限和参数检查;政策摘要还会检查字段值是否能在检索原文中找到。检查点省略工具结果与检索正文,减少敏感内容持久化。
**当前限制:**历史按 20 条消息截取,没有按 Token(模型文本单位)精细控制预算,也没有完整的长期记忆、自动摘要或上下文压缩。原文匹配检查主要针对政策摘要,不等于通用事实核查。
**面试回答:**我按系统规则、近期对话、任务技能、工具定义和检索片段组织上下文。历史只取最近 20 条,资料通过工具按需获取,资源权限由后端控制。当前仍可完善按 Token 预算和长对话摘要。
代码:backend/app/agent/nodes.py、backend/app/memory/service.py、backend/app/agent/result.py。
2. 多轮对话状态如何管理,如何防止跑偏并支持中断恢复
**状态分两层:**SQLite(轻量数据库)保存用户可见的会话记录;LangGraph(智能体流程编排框架)的状态保存本次执行中的消息、工具、步数、检索结果和下一节点。
普通请求先校验会话归属,保存用户消息,再读取最近 20 条消息,因此当前问题只进入上下文一次。成功后保存助手答案及安全执行轨迹;普通同步链路异常时回滚本次用户消息。同一会话通过进程内锁串行执行,避免问题和回答交叉写入。
防止跑偏的措施包括工具允许列表、参数校验、明确意图的确定性路由,以及模型节点和工具节点合计最多五步。知识库零命中直接提示未找到资料,政策摘要有原文匹配检查。这些措施降低风险,不保证模型永不出错。
暂停恢复使用带版本的 Checkpoint(检查点)。执行器在节点边界检查控制信号,模型流处理期间也会轮询;恢复保留已使用步数。不完整工具参数不执行。因为工具结果正文未保存,恢复时只读检索可以在预算内重新获取;缺少已完成计算或 MCP 结果时提示重新请求,不盲目重放。
**边界:**暂停不是任意代码行都能立即停止;恢复不保证逐字复现;进程内会话锁不是多实例分布式锁。
代码:backend/app/memory/service.py、backend/app/agent/runner.py、backend/app/agent/checkpoint.py。
3. 如何设计评测集和指标,量化输出质量与任务成功率
**先定义成功,再统计比例。**例如退款问答要求包含订单号和购买凭证、不编造其他必需材料、只读取授权资料,并在预算内完成。无答案任务中,正确说明资料不足也算成功。
评测集应覆盖普通聊天、口语表达、多轮追问、计算、知识检索、政策摘要、多工具任务、零命中、工具故障、权限隔离、提示词注入和暂停恢复。每题记录输入、初始数据、正确依据、必要信息、允许行为和禁止行为;允许多条合理路径时,不把某个固定调用顺序当唯一标准。
| 指标 | 计算或检查方式 |
|---|---|
| 任务成功率 | 满足预先验收条件的任务数 ÷ 总任务数 |
| 关键信息覆盖率 | 正确回答的必需信息点 ÷ 全部必需信息点 |
| 无依据陈述比例 | 没有资料支持的事实数 ÷ 回答事实总数 |
| 工具与参数正确率 | 合理选择且参数正确的调用 ÷ 被检查的调用 |
| 检索命中率 | 前 K 个片段含正确依据的问题数 ÷ 有答案问题数 |
| 安全表现 | 单独统计越权、泄密和重复副作用等情况 |
| 效率与成本 | 延迟、调用次数、Token 用量、单任务费用 |
评分可结合代码规则、人工标注和模型辅助评分。模型评分要用人工样本校准;安全严重问题不应被其他高分抵消。对同一题重复运行,报告稳定性,避免只挑一次成功结果。比较方案时固定数据和配置,并保留未参与调优的测试集。
项目现状:backend/tests/evals/cases.json 有六类小规模样例,评测器检查工具、技能、检索预期、零命中和安全。模型与向量使用受控模拟,适合回归,不能代表真实千问的生产准确率。后续应补真实模型、代表性资料和更全面的标注。
代码:backend/tests/evals/runner.py、backend/tests/evals/cases.json。
4. MCP 与 Function Calling 的区别,有没有实际跑过 MCP
Function Calling 让模型表达“调用哪个工具、传什么参数”;MCP 规定应用如何与外部工具服务通信。二者可以配合。
模型提出 get_current_time 调用
→ 后端检查工具和参数
→ MCP Client(客户端)通过协议请求服务端
→ MCP Server(服务端)返回时间
→ 模型根据结果回答
项目通过独立子进程和 stdio(标准输入输出)建立 MCP 会话,实际执行 initialize()、list_tools()、call_tool(),提供时间和文本统计示例工具。它不是直接导入服务端函数来代替协议。
外部工具发现后仍要经过宿主允许列表,参数按 JSON Schema(数据结构规则)校验。子进程只继承必要环境变量,不继承模型与追踪密钥。当前每次操作创建独立会话,存在进程启动开销。
**运行证据:**2026 年 10 月 19 日验收记录记载了真实 MCP 子进程集成测试。历史记录不代表现在重新运行过,也不能据此声称自己亲自操作过;个人经历需按实际回答。
代码:backend/app/mcp/client.py、backend/mcp_servers/workspace_server.py、backend/app/agent/registry.py。
5. Function Calling 的完整流程
- 应用向模型声明工具名称、用途和参数结构。
- 用户提问,模型结合上下文决定直接回答或请求工具。
- 模型返回工具名、参数和调用标识,尚未真正执行函数。
- 后端检查工具注册、用户权限、参数格式和业务规则。
- 执行本地函数、网络接口或 MCP 工具。
- 将结果与原调用关联,加入消息上下文并再次请求模型。
- 模型生成答案,或继续提出下一次工具调用,直到结束或预算耗尽。
例如“137 乘 29”对应计算器参数 a=137、b=29、operation=multiply;后端计算出 3973 后再交给模型回答。参数格式正确不等于业务安全,查询订单还需确认所有权。
项目通过 LangChain(大模型应用框架)绑定结构化工具,LangGraph 控制模型与工具节点流转。每轮只能执行一个工具调用。流式参数必须接收完整并校验后才能执行;半成品不能执行。部分明确意图由程序要求使用指定工具。
代码:backend/app/agent/nodes.py、backend/app/agent/tool_adapter.py、backend/app/agent/model_response.py。
6. 访客按 IP 限制,为什么换浏览器仍可能改变额度
项目同时使用两层标识。当前代码默认:
| 限制 | 依据 | 默认值 |
|---|---|---|
| 会话每日额度 | 签名访客 Cookie | 10 次 |
| IP 分钟限额 | 服务端确认的来源 IP(网络地址) | 5 次 |
| IP 每日限额 | 同一来源 IP | 30 次 |
换浏览器通常没有原 Cookie,因此可能创建新访客会话,会话层重新统计;如果出口 IP 没变,IP 层累计不会重置。额度读取接口主要展示当前会话额度,所以新浏览器可能显示还有次数,但实际提交仍可能被 IP 限额拒绝。
每日统计按北京时间重置,具体额度可由环境变量覆盖。共享网络会让多人共用 IP 限额,代理或网络切换可能改变来源 IP,因而它不能保证绝对防刷或费用上限。
代码:backend/app/quotas.py、backend/app/auth.py。
7. Cookie 的原理和项目应用
Cookie 是浏览器保存并在符合条件的请求中携带的小段数据。服务器用响应头 Set-Cookie 设置,浏览器之后通过请求头 Cookie 发送。它可保存偏好或会话标识,本身不等于登录。
项目 Cookie 名为 agent_guest,内容包含随机访客标识和服务器签名。后端校验签名,再计算 HMAC(带密钥摘要),关联访客会话、知识库与额度。签名检测篡改,不等于加密,也不能防止有效凭证被盗用。
| 属性 | 项目作用 |
|---|---|
| HttpOnly | 网页脚本不能直接读取,但浏览器仍可随请求携带 |
| Secure | 生产环境要求通过安全连接条件发送 |
| SameSite=Lax | 限制部分跨站携带场景,降低部分 CSRF(跨站请求伪造)风险 |
| Path=/ | 适用于根路径及其下路径,不是严格安全隔离 |
| Max-Age | 当前保留 30 天,与每日额度重置不同 |
普通标签页通常共享 Cookie;不同浏览器、无痕环境或删除 Cookie 可能更换访客身份。换网络通常不删除 Cookie。Cookie 是传递机制,Session(会话)是状态管理概念,Token(令牌)是凭证;三者可以组合。LocalStorage(本地存储)不会自动随请求发送,网页脚本通常可读取。
跨源携带 Cookie 还要考虑前端 credentials(凭证选项)、CORS(跨源资源共享)、SameSite 和浏览器隐私策略。跨源与跨站概念不同,设置允许携带凭证不保证 Cookie 一定发送。
代码:backend/app/auth.py。
8. 文档清洗具体做了什么
项目更完整的表述是“文档预处理与入库”,其中包括格式解析、基础清洗、安全检查和分块。
- 上传先检查空文件、数量和大小:单文件 10 MB、单次最多 10 个、总计 30 MB,访客另有累计限额。
- TXT(纯文本)和 Markdown 使用 UTF-8-SIG 解码,处理开头 BOM(字节顺序标记),不支持的编码明确报错。Markdown 标记并未专门去除。
- DOCX(Word 文档)提取普通段落和表格,去除首尾空白,过滤空段落和空表格行,单元格以分隔符拼接。
- PDF(便携式文档)先提取文字;完全没有文字的页面才做离线 OCR(光学字符识别),单份最多 30 个 OCR 页面。保留页范围供安全提示定位。
- 没有有效文字时拒绝入库;固定字符串规则命中疑似提示词注入时拒绝上传。
- 分块优先按段落和句子,默认目标 800 字符;超长句再按逗号等切分,最后硬切。重叠参数 120 表示符合条件时复用最后一个短片段,不是固定重叠 120 字符。
**限制:**没有完整实现页眉页脚去除、全文去重、复杂表格还原或 OCR 自动纠错。DOCX 段落与表格原始交错顺序不能保证保留;有少量文字层的 PDF 页不会自动补做 OCR。注入规则有误报、漏报。
代码:backend/app/rag/document_parser.py、backend/app/rag/service.py、backend/app/security.py。
9. 使用什么技术构建知识库和索引
文档解析使用 Python、python-docx、pypdf、pypdfium2 和 RapidOCR。项目自己的切块函数处理文本;DashScope(阿里云模型服务)的 text-embedding-v4 生成默认 1024 维稠密向量,每批 10 段。
Chroma(向量数据库)的 PersistentClient(持久化客户端)保存文本、向量及来源元数据,默认目录为后端 data/chroma。每个知识库对应 kb_标识 集合,配置 HNSW(近似最近邻索引)和 cosine(余弦距离),索引由 Chroma 维护。
SQLite 管理 knowledge_bases(知识库表)和 knowledge_documents(文档表),保存所属用户、文件名、大小、块数、批次和时间等。普通数据库索引用于目录查询,向量索引用于语义检索。
**关键边界:**独立集合帮助组织数据,但资源授权仍由后端检查。追加失败时按批次尝试回滚向量,不等于 SQLite 与 Chroma 具备跨数据库事务。
代码:backend/app/rag/embeddings.py、vector_store.py、catalog.py、backend/app/memory/database.py。
10. Agentic RAG 如何工作
RAG(检索增强生成)提供外部事实依据。基础两步式流程是“检索 → 生成”;Agentic RAG 将检索作为工具,让模型参与决定何时查、查什么、是否需要继续查。复杂实现可加入问题拆分、查询改写和相关性评估,但这些不是所有实现必备的模块。
用户问题 → 智能体决策 → 检索工具 → 结果回到上下文
↑_____________________|
↓
回答或达到预算结束
项目采用模型与工具双节点循环,结合规则强制部分场景检索、后端权限和五步预算,可称为有规则约束的基础 Agentic RAG。尚无独立相关性评分节点、完整查询改写和多源规划模块;零命中会直接结束。
优势是适合需要补充查询和配合其他工具的任务;代价是调用次数、延迟、费用和调试复杂度可能增加,不能只因为更复杂就认定效果更好。
代码:backend/app/agent/graph.py、nodes.py。
11. 知识库承担什么作用
知识库保存上传的企业政策、产品规则等资料,补充模型原本不知道或已经过期的信息;检索片段为回答提供依据。用户问题进入 Agent 后按需检索,不是每次把整个库发给模型。
知识库同时是受权限保护的数据资源:访客个人库隔离,管理员库默认不公开,指定共享库可只读使用。零命中明确说明资料不足,政策摘要另有原文匹配。
**区别:**知识库回答“资料里规定什么”,会话历史帮助理解“刚才说的是什么”,用户长期记忆保存偏好等信息。上传文档用于检索,不等于重新训练模型或永久改变模型参数。
12. 稠密向量和稀疏向量的区别
稠密向量大多数维度为非零值,常由嵌入模型生成,擅长同义、口语和不同措辞的语义召回。稀疏向量大多数位置为零,传统词项表示让非零维度对应词和权重,适合关键词、术语和型号;学习型稀疏模型也能扩展语义,不能绝对划分能力。
| 需求 | 优先考虑 |
|---|---|
| “不想要了怎么退钱”匹配退款政策 | 稠密语义检索 |
| 指定错误码、专业名称 | 关键词或稀疏检索 |
| 查询某个订单号状态 | 授权后的数据库精确查询 |
| 同时需要语义与关键词 | 双通道召回与融合 |
项目嵌入调用明确设置 output_type="dense",使用稠密向量。向量候选中的中文相邻字符重合只是辅助筛选,没有独立稀疏索引,不能宣称已完成标准混合检索。
13. 项目检索召回的完整流程
- 后端核对身份和知识库权限,访客只能读自己的库或指定共享库。
- Agent 或确定性路由要求调用
search_knowledge_base。 - 参数校验要求查询长度 1~4000,禁止额外字段;知识库标识由后端注入。
- 检查查询非空、集合存在和返回数量配置。
- 使用嵌入模型,以
query类型向量化工具收到的查询。不会直接把全部历史一起向量化。 - Chroma 在对应集合检索候选,候选数为
min(max(top_k × 4, 20), 文本块总数)。 - 候选满足“余弦距离不超过 0.45,或简单词面重合不低于 0.35”即可保留。
- 保留原候选顺序,截取前 K 个,默认配置 K=5;结果不足时不会强行凑数。
- 工具返回片段、相似度与安全调试数据;命中交给模型,零命中返回固定无资料提示。
词面分数先对查询做简单整理,取相邻两字符集合,计算其中多少出现在候选文本中。它只作用于向量候选,不能找回从未进入候选集的文档,也不承担重新排序。当前没有独立关键词召回或 Reranker(重排序模型)。
**默认值注意:**底层 search_chunks 的函数默认 K 为 3,但正常链路会传入配置值,配置默认是 5。距离阈值与 K 均可配置,不代表线上一定使用默认值。
代码:backend/app/rag/vector_store.py、service.py、backend/app/agent/skills/knowledge_skill.py、backend/app/configuration.py。
14. 长任务执行时,用户输入新问题如何处理
按此前查看的前端实现,当前会话生成中仍可编辑输入框,但 Enter(回车键)不会发送新问题,按钮显示暂停。用户先暂停旧任务,确认不再生成后,可以发送新问题,也可以在没有新输入时继续旧任务。
**新问题不会自动注入旧任务,也不会自动改写旧任务目标。**旧任务保留独立的 Run(执行任务)及检查点,新问题创建新 Run。前端按任务标识区分输出;后端同一会话通过进程内锁串行执行。不同会话可管理各自的任务。
恢复旧任务使用其检查点,不等于自动融合后来新增问题。后端接口没有完整的业务级队列或抢占调度;如果绕过界面并发提交,同会话执行会受锁约束,不应承诺先进先出或立即中断。
更完善的方案可把“等待完成、暂停后新建、终止后改目标、向原任务补充信息”作为明确交互,并处理旧结果的归属、预算和有副作用工具;这是后续设计。
代码:frontend/src/App.jsx、frontend/src/run-manager.js、backend/app/agent/run_manager.py、backend/app/memory/service.py。
15. 项目使用的具体模型与版本
此前核对的本地 backend/.env 配置:
- 对话和工具决策:
qwen3.8-flash。 - 嵌入:
text-embedding-v4,1024 维。
聊天通过 LangChain 的 ChatOpenAI 适配器连接 DashScope 兼容接口;适配器名称不表示实际调用 OpenAI 模型。代码兜底值是 qwen-max,但显式的 QWEN_MODEL 配置优先,因此不能把兜底值当当前本地配置。
当前没有显式固定带日期的模型快照。配置只能说明本地指定的模型标识,不能证明线上实际配置、供应商内部权重版本或当前联通状态,也不能据名称推断闭源内部架构。
代码:backend/app/agent/llm.py、backend/app/rag/embeddings.py。不要在面试材料中复制真实密钥。
16. 熟悉哪些模型,结构有什么不同
先讲实际实践:项目主要接入通义千问聊天与嵌入接口,熟悉应用层调用、工具、流式输出和检索;了解模型家族不等于独立训练过或掌握未公开架构。
| 结构 | 典型例子 | 主要方式 |
|---|---|---|
| Encoder-only(仅编码器) | BERT | 双向理解输入,常用于分类和表示 |
| Decoder-only(仅解码器) | 经典 GPT、Llama 等 | 根据已有内容自回归生成 |
| Encoder-decoder(编码器—解码器) | T5 | 编码输入后生成对应输出 |
另一个维度是 Dense(稠密模型)与 MoE(混合专家):前者没有逐文本单位选择部分专家的机制,后者由路由选择部分专家,能够在控制激活计算量时扩大总参数量,但增加路由、显存和通信复杂度。它与“稠密/稀疏向量”不是同一概念。
Qwen3 公开家族既有稠密版也有 MoE 版;DeepSeek-V3 采用 MoE 和 MLA(多头潜在注意力);Llama 2 较大型号采用 GQA(分组查询注意力)。具体结论应指明型号,不能推广到所有版本。模型表现还受训练数据、后训练和推理配置影响。
17. 常见位置编码及优缺点
位置编码帮助 Transformer(基于注意力机制的模型架构)表达文本顺序。绝对位置表示“第几个”,相对位置表示“相隔多远”;因果掩码限制不能看未来,与显式位置表示的作用不同。
| 方案 | 原理 | 优点 | 局限 |
|---|---|---|---|
| 可学习绝对位置 | 每个位置学习向量,加入输入 | 简单、可适应数据 | 受位置表和训练范围限制,外推困难 |
| 正弦余弦位置 | 固定不同频率函数生成向量 | 无额外学习参数,可计算新位置 | 可计算长位置不代表长文本表现可靠 |
| 相对位置 | 在注意力中表达位置差或距离偏置 | 直接建模远近 | 不同实现有额外开销,截断或分桶损失精度 |
| RoPE(旋转位置编码) | 按位置旋转 Q/K(查询/键向量),内积包含相对位置信息 | 适合自回归生成及常见键值缓存 | 原始方案不保证可靠长度外推,扩展常需缩放或训练配合 |
| ALiBi(注意力线性偏置) | 对注意力分数加入距离惩罚 | 简单、无额外可学习位置参数,有外推优势 | 近距离偏好可能影响远处证据利用 |
项目调用模型接口,没有自己实现位置编码;具体型号内部方案需要以公开技术资料为准。长上下文能力还受训练长度、计算资源和任务类型影响。
18. Agent 的记忆应该如何管理
按作用分为会话记忆、跨会话长期记忆和任务恢复状态。知识库是外部资料,不等同于用户偏好记忆;数据库保存了历史,也不意味着每次全部发送给模型。
长期写入应优先保存用户明确要求、确认过且持续有价值的信息,记录归属、来源、时间和有效期。假设、模型猜测、恶意工具指令不能直接当事实。读取时先检查权限,再按任务相关性和上下文预算选择;更新要去重、纠错、处理冲突与过期,删除时考虑派生索引。
较长对话可保留近期原文和早期摘要;摘要保存目标、约束、决定及未完成事项,并允许回查,避免摘要误差不断累积。工具调用与结果的消息对应关系也需维护。
**项目现状:**SQLite 持久化会话,近期历史取 20 条;LangGraph 保存本轮状态,自定义检查点用于恢复。尚无完整跨会话偏好记忆、自动摘要和按 Token 预算。
19. 如何终止工具调用循环并保留合理重试
采用“总预算兜底、重复与进展检测、按错误类型重试”。重复动作且无新信息是循环线索;恢复暂时故障或按反馈修正参数可以是合理重试。
可用工具名、规范化参数、资源权限范围和必要版本形成调用指纹,检查重复成功调用或 A→B→A→B 循环。还要检查新文档、事实、子任务是否增加;查询换了字不等于取得进展,调用多也不必然是循环。
| 情况 | 处理方式 |
|---|---|
| 短暂网络或部分服务故障 | 有限次数退避重试 |
| 限流 | 总时限内按服务建议等待 |
| 参数错误 | 提供安全反馈,允许有限修正 |
| 认证或权限错误 | 停止相关调用,修复配置或权限 |
| 检索无命中 | 有限改写或明确说明资料不足 |
| 有副作用操作超时 | 先查状态或使用幂等机制,不能盲目重放 |
退避可逐渐增加等待时间并加入随机抖动,避免集中重试。SDK(开发工具包)内部重试与模型重新调用要统一计数,防止层层相乘。总步数、时长与成本预算跨暂停恢复保持有效。
终止时阻止新工具调度,记录已完成步骤和终止原因;无法立即取消的操作仍需核实状态。对创建订单等工具,使用 Idempotency Key(幂等键)降低重复副作用风险。
**项目现状:**有五步预算、超时和停止控制;尚无完整调用指纹及无进展检测。不能把后续方案说成已实现。
20. 如何约束并验证 AI 生成代码的质量
**编码前:**明确功能、输入输出、权限、修改范围和验收条件。例如删除知识库不仅检查接口返回成功,还要检查对应向量与目录记录是否删除,以及其他用户数据是否保留。
**生成时:**用 AGENTS.md(智能代理协作规范)和 Skill 规定现有组件、接口、禁止事项和检查清单。公司项目的左侧树、标签对齐技能体现了这类实践。规则减少偏差,但不能替代结果验证。
**生成后:**按风险分层检查:
| 检查 | 验证内容 |
|---|---|
| 差异审查 | 无关修改、密钥、必要逻辑被删除 |
| 静态检查 | 语法、类型、规范 |
| 单元测试 | 规则、参数、异常和边界 |
| 集成测试 | 接口、数据库、向量库、工具配合 |
| 端到端验收 | 用户操作到最终数据状态 |
| 人工审查 | 业务合理性、可读性和维护成本 |
测试依据需求和独立预期,避免 AI 按自己的错误实现再写同样错误的测试。关注越权、超时、重复提交、部分失败和恢复。界面小改可以差异与视觉验收为主,认证和删除等高风险功能需要更严格验证。
不能为了让检查通过而删测试、放宽权限、吞异常或跳过类型检查。最终报告实际执行的命令和结果,不以 AI 自评作为完成证据。
面试表达与事实边界
- 自己亲自设计、改过、运行和验证过什么,按实际说明。
- 仓库有测试不等于当前全部通过;模拟模型评测不等于真实模型准确率。
- 本地配置不等于线上配置;模型标识不一定是固定权重快照。
- 基础词面辅助筛选不等于完整双通道混合检索;五步上限不等于完整循环识别。
- 自动摘要、长期记忆、重排和完整查询改写等,应明确属于改进方向。