KNOWLEDGE NOTE / AI · 面试

AI 智能体项目补充面试问答汇总

创建
2026年11月20日
更新
2026年11月20日

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

  1. Agent(智能体)的上下文工程如何设计
  2. 多轮对话状态如何管理,如何防止跑偏并支持中断恢复
  3. 如何设计评测集和指标,量化输出质量与任务成功率
  4. MCP(模型上下文协议)与 Function Calling(函数调用)的区别
  5. Function Calling 的完整流程
  6. 访客按 IP 限制,为什么换浏览器仍可能改变额度
  7. Cookie(浏览器保存的小段数据)的原理和项目应用
  8. 文档清洗具体做了什么
  9. 使用什么技术构建知识库和索引
  10. Agentic RAG(智能体驱动的检索增强生成)如何工作
  11. 知识库承担什么作用
  12. 稠密向量和稀疏向量的区别
  13. 项目检索召回的完整流程
  14. 长任务执行时,用户输入新问题如何处理
  15. 项目使用的具体模型与版本
  16. 熟悉哪些模型,结构有什么不同
  17. 常见位置编码及优缺点
  18. Agent 的记忆应该如何管理
  19. 如何终止工具调用循环并保留合理重试
  20. 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:

text
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。

text
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

  1. 应用向模型声明工具名称、用途和参数结构。
  2. 用户提问,模型结合上下文决定直接回答或请求工具。
  3. 模型返回工具名、参数和调用标识,尚未真正执行函数。
  4. 后端检查工具注册、用户权限、参数格式和业务规则。
  5. 执行本地函数、网络接口或 MCP 工具。
  6. 将结果与原调用关联,加入消息上下文并再次请求模型。
  7. 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 Cookie10 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 IP30 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。

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。

text
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

  1. 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。
  2. Agent 或确定性路由要求调用 search_knowledge_base。
  3. 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。
  4. 检查查询非空、集合存在和返回数量配置。
  5. 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。
  6. 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)。
  7. 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。
  8. 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。
  9. 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。

延伸阅读

放弃未保存的修改?

有未保存的修改,离开会丢失这些内容。