北京华宇信息 Agent 开发二面:RAG 会话记忆、图片入库与转岗动机连环问
- 轮次
- 二面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
- 做个简单的自我介绍。
- gap 这半年没参加工作吗,是不着急还是觉得哪里不到位,是前两个月面试受挫了吗?
- 做完 Agent 项目之后,你对哪些方面理解得更深了,学到了什么?
- RAG 平台的会话记忆和 Agent 里的会话记忆,两者有什么联系?
- 文档入库时图片是怎么处理的?
- 检索到文本之后,如果想打开原文,怎么打开?
- 你们用的向量模型是什么?
- 有没有了解过哪个模型更合适?切分的时候是怎么切的?
- RAG 平台的用户是谁?
- 一般是什么场景,员工会去用这个平台?
- 为什么后来专职做前端了?
- 自己开发会用哪些 AI 工具?一个月烧多少 Token?
- 系统上线之后,有人反馈过什么问题吗,你有了解过吗?
- 未来一到三年,你希望自己成为一个什么样的人?
- AI 越来越强、编码工作越来越少,你的精力会放在哪些地方?
- 之前离职的原因是什么?
- (HR)校招入职之后是做后端吗?做的什么业务?多少人一起做,分工是什么?
- (HR)有过和同事意见不一致、需求没法落地的情况吗?
- (HR)做前端开发时,AI 写的代码在工作中的占比是多少?
- (HR)让 AI 写代码的过程中,遇到过比较大的问题吗?
- (HR)为什么会接受转岗到前端?
- (HR)当时的工作节奏是怎么样的?
- (HR)为什么会考虑离职?
- (HR)你是哪里人?
- (HR)找工作过程中遇到的最大问题是什么?
- (HR)期望薪资是什么情况?
- (HR)为什么考虑北京,家里人支持吗?
- 反问:什么时候出结果?
《参考解析》
两套会话记忆的联系是这场最硬的一问。RAG 平台的会话记忆偏「检索增强的上下文」:把历史问答摘要、用户画像、召回的文档片段拼进 prompt,目标是让多轮问答不丢指代。Agent 的会话记忆偏「任务状态」:目标、已执行的工具与结果、待办、失败重试记录,要能跨轮恢复执行。共同点是都要做「写什么、存哪、何时读、怎么压缩」;差别在于 Agent 的记忆必须结构化、可回放,否则工具调用会重复或错序。
图片入库要分两种意图答:一是图片里的信息要能被检索(OCR / VLM 抽取文字与图表描述,转成文本块,与图床 URL 一起入索引);二是原图要能展示(存对象存储,块里保留 URL 与页码)。原帖追问「怎么打开原文」正是在验第二层——回答里要能给出定位信息(文档 ID、页码、块偏移),前端才能跳转到对应位置。
切分策略按文档类型分层:条款/制度类按标题层级切、技术文档按代码块与段落切、表格单独成块并保留表头。chunk 大小按检索粒度定(常见 300-800 字,带 10%-20% 重叠),再用评测集验证:改切分后看召回率与答案正确率是否真的变化。
向量模型选型要讲清「通用 vs 领域」:先看中文语义检索效果与最大输入长度,再看部署成本(自建还是 API)、是否支持稀疏+稠密混合。别只报名字,要说明为什么换、换完用什么指标验证。
HR 环节的转岗与 gap 是这次的主要风险点。答法保持一致:gap 期间做了什么(项目、投递、复盘),转岗前端是业务需要 + 自己补齐了能力,离职原因是成长空间而非人际冲突。AI 写代码占比这个问题,给一个真实比例(比如 40%-60%)并说明哪些部分坚持手写(核心逻辑、边界处理),比说「全靠 AI」或「从不用」都稳。