KNOWLEDGE NOTE / AI · 面试

AI 知识库与智能体工作空间面试题及参考答案

创建
2026年11月20日
更新
2026年11月20日

AI 知识库与智能体工作空间面试题及参考答案

根据当前本地代码和文档整理,面向 AI(人工智能)应用开发岗位。参考答案用于理解和练习,请结合真实参与过程表述;涉及运行结果、线上状态和个人贡献时,不要把代码中存在、历史文档记载或 AI 生成的内容直接说成自己刚刚验证或独立完成的事实。

一、项目介绍与个人贡献

1. 用一分钟介绍你的项目。

**参考回答:**这是一个面向知识问答场景的个人全栈实践项目。用户可以上传文档创建知识库,系统把文档切分并向量化,提问时检索相关片段,再结合模型生成回答。项目也实现了智能体工具调用:模型可以使用知识库检索、计算器以及通过 MCP(模型上下文协议)接入的时间和文本统计工具。前端使用 React,后端使用 FastAPI,智能体流程用 LangGraph 编排,会话记录保存在 SQLite,向量保存在 Chroma。项目还考虑了访客隔离、配额、流式输出和执行轨迹。

代码依据:README.md、backend/app/agent/、backend/app/rag/。

2. 为什么做这个项目?它解决什么问题?

**参考回答:**我希望通过一个完整项目学习 AI 应用从文档处理、检索问答到工具调用的完整链路。项目面向企业知识问答场景,让使用者上传材料后围绕材料提问,同时可以体验计算器等工具,而不只是调用一次聊天接口。

**注意:**这是面向企业场景的个人作品集项目,不应说成已在企业大规模生产使用,除非确有证据。

3. 你在项目中做了什么?AI 帮了哪些忙?

**参考回答:**这是我的个人项目,我负责提出功能需求、组织开发和使用 AI 编程工具辅助实现,并阅读代码、提出调整和验证结果。面试时我会具体介绍自己理解和处理过的部分,比如一次文档检索问题或工具调用问题;对于自己尚不能独立解释的代码,会说明是借助 AI 完成并正在学习。

**准备建议:**提前准备两个真实案例:当时的问题、你给 AI 的要求、如何检查修改、最终如何验证。不要把所有代码都说成独立手写。

4. 画一下项目的数据流。

**参考回答:**前端把用户问题发送到 FastAPI 接口;后端核对身份和会话后,加载历史并进入 LangGraph。模型根据上下文或代码中的确定性规则选择直接回答还是调用工具;如果是知识库问题,工具对问题向量化并到 Chroma 检索,再把检索内容交给模型生成回答。最终回答、用户消息和部分安全执行信息保存到 SQLite,界面展示回答与执行状态。

代码依据:backend/app/main.py、backend/app/agent/graph.py、backend/app/memory/。

5. 这个项目和你的个人网站是什么关系?

**参考回答:**个人网站是作品、工具与笔记的展示入口;AI Workspace Agent 是独立的知识问答与工具调用应用。个人网站的知识库采用文本匹配搜索,而这个项目使用向量检索和模型生成回答;两者的数据流和技术能力不能混为一谈。

二、RAG 与文档处理

6. 什么是 RAG(检索增强生成)?为什么使用它?

**参考回答:**RAG 先从外部资料中检索与问题相关的内容,再把这些内容提供给模型回答。它适合模型不知道或会变化的业务资料,可以减少只凭模型原有知识作答的情况。但检索结果不对或模型没有遵守资料边界时,依然可能出现错误。

7. 从上传文件到回答问题,完整流程是什么?

**参考回答:**上传时先检查身份、文件类型、数量和大小;解析 TXT、Markdown、DOCX 或 PDF,必要时对扫描页做 OCR(光学字符识别)。然后检查疑似提示词注入,按段落和句子切块,调用嵌入模型将文本变成向量,写入对应 Chroma 知识库,并记录文档目录信息。提问时把问题向量化、检索候选片段、过滤后交给模型回答;未命中时返回固定的无资料提示。

代码依据:backend/app/main.py、backend/app/rag/document_parser.py、backend/app/rag/service.py、backend/app/rag/vector_store.py。

8. 为什么文档要切块?

**参考回答:**整篇文档太长时,直接送给模型会浪费上下文和费用,也不利于准确定位相关内容。切块使检索能返回更小的相关片段。块过小可能丢失上下文,过大产生噪音则可能混入无关内容,需要结合文档和评测调整。

9. 这个项目怎样切块?重叠一定是 120 个字符吗?

**参考回答:**默认目标块大小是 800 个字符,优先按换行、句号和分号等边界分段;超长句进一步按逗号等边界切分,仍过长才按字符硬切。重叠参数是 120,但实现只在上一块最后一个片段不超过 120 字符时复用它,因此不是固定每块重叠 120 字符,也没有按 token(模型文本单位)切分。

代码依据:backend/app/rag/service.py 的 split_text。

10. Embedding(文本向量化)是什么?项目用什么模型?

**参考回答:**向量化把文本转换为数字向量,让语义接近的内容在向量空间中通常更接近。项目默认使用 DashScope 的 text-embedding-v4;文档和问题分别以 document、query 类型提交。要更换模型,应确认向量维度、索引兼容性,并考虑重新建立索引。

代码依据:backend/app/rag/embeddings.py。

11. Chroma 如何保存和检索?

**参考回答:**项目使用持久化 Chroma,为知识库创建独立集合,保存文本块、向量和来源文件等元数据;检索时在对应集合使用余弦距离找候选。集合按知识库标识区分并不自动等于授权,应用仍要确认当前用户可以访问该知识库。

代码依据:backend/app/rag/vector_store.py。

12. 余弦距离和相似度是什么关系?阈值怎样设置?

**参考回答:**项目使用余弦距离,距离越小通常表示方向越接近,代码把 1 - distance 作为相似度。默认距离阈值为 0.45,但值不是通用标准,应结合模型、数据和问题类型,用验证集调节。阈值过严格可能漏掉有用资料,过宽可能引入无关内容。

代码依据:backend/app/rag/vector_store.py、backend/app/rag/service.py。

13. 项目实现了混合检索吗?

**参考回答:**它先使用向量检索取候选,再用中文相邻两字符的重合度作为辅助条件:候选满足距离阈值或词面重合阈值即可保留。它没有独立的全文检索召回通道,也没有对两个通道做排名融合,因此更准确的说法是“向量候选加简单词面过滤”,不是完整的混合检索。默认返回数量由配置决定,当前默认是 5。

代码依据:backend/app/rag/vector_store.py、backend/app/configuration.py。

14. 检索不到资料时怎么办?

**参考回答:**知识库检索没有命中时,工具节点设置固定的无资料提示,避免再让模型凭常识编造文档答案。检索到部分资料时,提示词要求只根据片段回答并明确资料未说明的部分;但提示词并不能严格保证模型不编造,还需要验证与评估。

代码依据:backend/app/agent/nodes.py。

15. 如何改进回答质量?

**参考回答:**先用真实问题和标准资料建立评测集,区分是解析、切块、召回还是生成出了问题。可尝试优化切块、调整阈值和返回数量,加入独立关键词检索、排序模型和可追溯引用,再比较效果与成本。当前项目不应宣称已经实现完整混合检索、重排或所有回答都有引用。

16. 扫描版 PDF 是怎样处理的?有哪些限制?

**参考回答:**项目先提取 PDF 的文本,对没有提取到文本的页面使用离线 OCR;代码和文档对扫描页面数量有上限。OCR 可能识别错字、漏掉复杂表格或格式,因此要结合实际文档检查结果,不能保证所有 PDF 都能准确识别。

代码依据:backend/app/rag/document_parser.py、README.md。

17. 上传多个文件时,部分失败会怎样?

**参考回答:**系统为一次上传生成批次标识,向量记录保留该标识;后续处理失败时,代码尝试按上传批次删除本次写入的向量,避免影响知识库原有文档。这是应用层回滚思路,不应说 SQLite 和 Chroma 之间具备真正的跨数据库事务。

代码依据:backend/app/main.py、backend/app/rag/vector_store.py。

三、Agent(智能体)与工具调用

18. 什么是 Agent?它和普通聊天有什么区别?

**参考回答:**普通聊天主要把消息交给模型生成文本;本项目的智能体还可以根据任务和上下文选择工具、执行工具并使用结果继续回答。它受工具列表、参数校验、权限和执行步数限制,并非可以任意操作系统的自主智能体。

19. LangChain、LangGraph、LangSmith 分别做什么?

**参考回答:**项目用 LangChain 的模型与消息适配来调用兼容接口,并绑定结构化工具;LangGraph 编排模型节点和工具节点之间的条件跳转;LangSmith 是可选的执行追踪平台,用来观察节点、工具等安全元数据。实际工具权限和参数检查仍由项目代码负责。

代码依据:backend/app/agent/llm.py、graph.py、tool_adapter.py、tracing.py。

20. 图的执行流程是什么?

**参考回答:**图主要有 agent 和 tools 两个节点。模型节点产生回答或工具调用;如果有合法工具调用就转到工具节点,执行完后可以再回到模型节点,否则结束。代码设置总步数预算,同时限制每轮只能执行一个工具调用。

代码依据:backend/app/agent/graph.py、backend/app/agent/nodes.py。

21. 最大五步是什么意思?

**参考回答:**五步是模型节点和工具节点的总数,不是允许调用五次工具。例如模型决定计算、执行计算、模型决定查时间、执行时间工具、模型生成回答,正好五步。暂停恢复时已发生的步数继续计入预算。

22. 是模型完全自主决定调用什么工具吗?

**参考回答:**不是完全自主。可用工具由注册表和权限控制;代码还对明显的计算、时间、文本统计或知识库问题做确定性路由。选了知识库时,普通实质问题默认要求检索,明确寒暄和部分专用工具问题除外。对于不属于强制路由的情况,模型可在允许范围内选择。

代码依据:backend/app/agent/nodes.py 的 select_required_tool。

23. Tool Calling(工具调用)的基本过程是什么?

**参考回答:**后端向模型提供工具名称、说明和参数结构;模型返回工具调用及参数,后端检查工具是否存在、当前身份和技能是否允许、参数是否符合要求;通过后才执行,再把结果作为工具消息交给模型。模型决定调用不等于代码必须无条件执行。

24. 如何防止模型访问别人的知识库?

**参考回答:**前端提出知识库选择后,服务端先结合当前身份检查访问权限;工具执行时由后端把可信的 knowledge_base_id 注入工具上下文,不让模型自己生成或猜测这个标识。资源归属检查和工具权限限制需要同时存在,不能只依靠提示词。

代码依据:backend/app/main.py、backend/app/agent/tool_adapter.py。

25. Skill(技能)和 Tool(工具)有什么区别?

**参考回答:**工具是可以执行的具体能力,如检索或计算;技能描述某类任务的处理方式和可用工具范围,例如政策摘要技能。技能可以为任务提供专门指令,并通过允许工具集合限制执行范围;它不是训练出了一个新模型。

代码依据:backend/app/skills/、backend/app/agent/skill.py。

26. 计算器为什么比直接让模型算更可靠?

**参考回答:**语言模型可能在精确计算上出错;计算器把受支持的运算交给确定性的代码执行,再由模型解释结果。仍要验证参数、运算类型和除零等错误,不能执行用户任意表达式或系统命令。

27. 工具报错或参数不合法怎么办?

**参考回答:**本地工具使用 Pydantic(数据校验库)校验,MCP 工具按 JSON Schema(参数结构规则)校验;工具执行异常会转换成安全的通用错误,模型应说明无法完成而不是猜结果。日志主要记录异常类型等信息,避免直接暴露服务端内部信息。

代码依据:backend/app/agent/tool_adapter.py、backend/app/agent/nodes.py。

四、MCP(模型上下文协议)

28. MCP 是什么?这个项目怎样使用?

**参考回答:**MCP 是连接模型应用与外部工具或上下文服务的协议。本项目启动独立 MCP Server(服务进程),客户端通过标准输入输出建立会话,依次调用 initialize()、list_tools() 发现工具、call_tool() 执行工具。当前示例包括获取时间和文本统计。

代码依据:backend/app/mcp/client.py、backend/mcp_servers/workspace_server.py。

29. 如何证明是真实 MCP,而不是普通函数调用?

**参考回答:**可以指出客户端创建 stdio_client 与 ClientSession,实际初始化、发现并通过协议调用工具;服务运行在独立子进程。项目还有 MCP 集成测试路径。不能把直接导入服务端函数称为 MCP 通信。

30. 外部服务暴露了工具,为什么还要允许列表?

**参考回答:**服务端能够提供某个工具,不代表应用应该授权模型使用。宿主只注册允许列表里的工具,调用时还检查技能权限和参数结构;MCP 子进程只继承必要环境变量,避免把模型密钥一并传给它。工具返回内容视为不可信数据,不能把其中指令当系统命令执行。

31. 目前 MCP 接入有什么代价?

**参考回答:**项目当前每次操作创建独立的标准输入输出会话,隔离相对直接,但会产生进程启动开销。后续可以评估连接复用,同时处理连接生命周期、故障恢复和权限隔离;这不是当前已完成的优化。

五、会话、流式输出和恢复

32. 系统如何记住对话?

**参考回答:**SQLite 持久化会话与用户、助手的可见消息;后续提问加载最近 20 条历史作为上下文。知识库和会话是不同资源,分别管理。保留最近消息可以控制上下文长度,但过长对话可能丢失早期细节,后续可考虑摘要或更合理的历史选择。

代码依据:backend/app/memory/、README.md。

33. 什么是 SSE(服务器发送事件)?项目怎样用?

**参考回答:**SSE 是服务器通过长连接向浏览器持续发送事件的方式。项目将状态、回答片段和执行信息编码成事件帧,前端逐步接收展示。它主要解决服务端向客户端推送;暂停、恢复等控制请求由单独接口处理。

代码依据:backend/app/streaming.py、backend/app/main.py、frontend/src/streaming.js。

34. 为什么不能把模型所有流式内容立即展示?

**参考回答:**模型可能先产生中间决策文本或分段输出工具调用参数;参数不完整时不能执行,也不适合作为最终答案展示。项目在仍可能调用工具时缓冲正文,等待结构完整后处理。这样更安全,但可能增加用户等待首字的时间。

代码依据:backend/app/agent/model_response.py、backend/app/agent/nodes.py。

35. 暂停和恢复是怎样实现的?

**参考回答:**执行器维护任务状态和检查点,在模型或工具节点边界检查暂停、停止和超时;模型流处理期间也会轮询控制状态。检查点保存恢复所需的有限状态和版本,恢复时从记录的节点继续,同时保留已使用步数。恢复过程并不是保证模型输出逐字复现。

代码依据:backend/app/agent/runner.py、checkpoint.py、run_manager.py。

36. 为什么检查点不保存完整工具结果?如何恢复?

**参考回答:**工具结果可能包含知识库正文或其他敏感数据,所以检查点省略工具结果及检索正文。恢复时,对只读知识检索在剩余步数允许的情况下可重新获取;如果缺少已完成的计算或 MCP 结果,则提示重新发起请求,不自动重复执行外部工具。隐私和避免重复副作用的代价是部分任务不能无损恢复。

37. 暂停时收到一半工具参数怎么办?

**参考回答:**不完整的流式工具参数不会被执行,也不会作为完整待执行工具保存;恢复时重新进行模型决策。已经完整保存但尚未执行的调用可以继续。对可能有副作用的工具,不能未经判断自动重放。

六、安全与访客隔离

38. 如何区分管理员和访客?

**参考回答:**管理员通过 Supabase Auth(身份认证服务)登录,后端验证访问令牌并比对管理员用户标识;访客由服务器签发 HttpOnly Cookie(浏览器脚本不可读取的会话标识)。访客的会话和知识库按所属身份隔离,管理员知识库默认不对游客公开,可配置指定共享只读库。

代码依据:backend/app/auth.py、backend/app/main.py、README.md。

39. 仅凭知识库 ID 难以猜测,就足够安全了吗?

**参考回答:**不够。ID 是资源标识,不是授权凭证。每次列举、检索、追加和删除时,都要结合当前身份检查资源所有权或是否属于允许的共享库;会话读取也要检查归属。这样即使别人拿到 ID,也不应该越权访问。

40. 项目如何限制访客消耗?这些限制能完全防刷吗?

**参考回答:**文档描述了访客按会话的每日提问额度,以及按来源 IP 的分钟和每日限制,上传也有限制。IP 只保存使用独立密钥生成的 HMAC(带密钥摘要)。但共享网络可能误伤多人,换浏览器或 IP 也可能改变计数,因此这是滥用缓解措施,不是绝对身份认证或费用上限。SQLite 和进程内限制也主要适合单实例。

代码依据:backend/app/quotas.py、backend/app/security.py、README.md。

41. 什么是 Prompt Injection(提示词注入)?项目如何缓解?

**参考回答:**攻击者把“忽略规则、泄露密钥”等指令放在文档或工具结果中,试图让模型把外部内容当成高优先级指令。项目上传时检查部分高风险字符串并拒绝命中文档,工具结果标为不可信数据,同时限制工具、参数和权限。但关键词规则可能误报和漏报,提示词约束也不能保证完全防护。

代码依据:backend/app/security.py、backend/app/agent/nodes.py。

42. 文件上传有哪些防护?

**参考回答:**项目限制文件扩展名、单文件与单次上传体积、文件数量和访客配额;解析时处理编码及支持的文件类型,检查疑似注入内容,并根据身份检查知识库归属。文件解析和 OCR 仍可能消耗大量资源,生产化还需更充分的恶意文件、资源隔离和安全扫描方案。

43. 为什么不把密钥放在前端?

**参考回答:**前端代码和浏览器请求对用户可见,不能安全保存模型服务密钥或高权限数据库密钥。模型调用通过后端完成,密钥由服务端环境配置;错误和日志也不应输出密钥、完整响应或敏感文档。

七、追踪、测试与评测

44. 如何观察一次智能体执行?

**参考回答:**项目保存工具名称、耗时、步骤和部分检索信息等安全执行元数据,前端可以展示执行状态;LangSmith 追踪默认关闭,启用后采用受控元数据上报。追踪应帮助定位工具调用和故障,同时避免把问题、文档、答案、令牌等敏感内容发送到外部平台。

代码依据:backend/app/agent/tracing.py、backend/app/observability/。

45. 这个项目如何做自动化测试?

**参考回答:**后端有单元测试和集成测试,覆盖文档切分、安全、工具调用、MCP、会话、流式输出和暂停恢复等;前端也有测试。部分测试使用受控或模拟模型响应,但保留真实的图、工具或数据库路径。测试文件存在不代表我这次运行过,面试时应说明自己真实执行过哪些检查。

46. 离线评测测了什么?准确率能代表真实模型吗?

**参考回答:**现有离线评测样例覆盖普通聊天、计算、知识检索、政策摘要、零命中和注入样例,统计工具与技能选择、检索预期和安全行为。它使用模拟模型和确定性向量,适合做回归检查,不能据此声称真实模型在生产中的准确率。要评估真实效果,需要更多代表性问题、标准答案与真实模型结果。

代码依据:backend/tests/evals/cases.json、backend/tests/evals/runner.py。

47. 文档里的测试通过数量可以直接说成当前结果吗?

**参考回答:**不可以。项目有一份 2026 年 10 月 19 日的迁移验收记录,记载当时后端 186 项通过及其他检查结果;那是特定版本和环境的历史记录,不代表当前代码或真实外部服务刚刚通过验证。真实千问和 LangSmith 云服务当时也未作为该次验收直接联通。

代码依据:docs/superpowers/verification/2026-10-19-langchain-langgraph-langsmith.md。

48. 怎样设计更有说服力的 RAG 评测?

**参考回答:**准备覆盖常见问题、跨段问题、无答案问题、相似但无关材料和权限隔离的测试集;分别观察能否召回正确片段、回答是否有资料依据、无依据时是否拒答,以及延迟和费用。样本应来自真实或经脱敏的场景,记录模型、索引、切块和阈值版本,比较改动前后的结果。

八、部署、取舍与故障

49. 为什么选择 SQLite 和 Chroma?

**参考回答:**它们适合个人作品集的单实例部署:SQLite 管理会话和目录数据,Chroma 持久化向量,部署相对简单。局限是多副本、一致性、并发及运维能力需要重新评估;生产化可考虑共享关系数据库、适合的向量存储和分布式限流,但要结合规模和成本选择。

50. 项目如何部署?

**参考回答:**仓库提供 Docker Compose(多容器编排)配置、前后端镜像和健康检查;应用端口绑定本机回环地址,由外部反向代理处理 HTTPS(加密网页连接)。项目使用持久化目录保存 SQLite 和 Chroma 数据。是否已在线上运行、当前版本是什么,需要查看实际部署环境。

代码依据:compose.yaml、backend/Dockerfile、README.md。

51. 用户说上传成功但问不出答案,怎么排查?

**参考回答:**先确认选择了正确且有权限的知识库,检查文档是否解析出有效文字、扫描页 OCR 是否可用、切块数量和向量化是否成功;再检查问题向量、候选距离、阈值与返回片段。若检索正确再看模型是否使用片段;若检索为空则检查阈值、文档内容和索引。排查时避免把私人文档和密钥写入日志。

52. 模型接口慢或不可用怎么办?

**参考回答:**先区分网络连接、认证、额度、超时和上游限流,查看安全日志和服务状态。项目对模型超时和重试有配置,并把部分供应商异常转换为通用提示;重试会增加延迟和费用,需控制次数。具体故障不能在未核实前直接归因于模型。

53. 如果要支持更多用户和多副本,优先改什么?

**参考回答:**先确定实际并发、隔离和可用性要求,再考虑把单机 SQLite 和进程内限流替换为共享存储与分布式限流,设计跨实例任务状态和锁;对向量检索增加可靠的租户授权、备份与监控。还需评估任务重试、副作用幂等、队列、成本和数据删除一致性。当前项目并不具备完整多租户生产保障。

九、面试前自查

  • 能画出“上传 → 解析/OCR → 切块 → 向量化 → Chroma → 检索 → 模型回答”的链路。
  • 能解释模型节点、工具节点、确定性路由和五步预算。
  • 能说清楚真实 MCP 发现与调用过程,以及宿主允许列表。
  • 能区分文档注入缓解措施与完全防护,解释知识库权限从哪里检查。
  • 能说明 SSE、暂停恢复、检查点省略工具结果的取舍。
  • 能区分离线模拟评测、历史验收与实际线上模型效果。
  • 准备两个亲自参与的问题,诚实说明 AI 的帮助、自己的判断和验证。

代码阅读索引

  • 项目总览与运行方式:README.md、AGENTS.md
  • 接口与资源权限:backend/app/main.py、backend/app/auth.py、backend/app/quotas.py
  • RAG:backend/app/rag/document_parser.py、service.py、embeddings.py、vector_store.py
  • 智能体:backend/app/agent/graph.py、nodes.py、tool_adapter.py、runner.py、checkpoint.py
  • MCP 与技能:backend/app/mcp/client.py、backend/mcp_servers/workspace_server.py、backend/app/skills/
  • 会话和事件:backend/app/memory/、backend/app/streaming.py、frontend/src/streaming.js
  • 测试与评测:backend/tests/、docs/superpowers/verification/

放弃未保存的修改?

有未保存的修改,离开会丢失这些内容。