金蝶 Agent 开发一面（项目为主）

《面试题目》

1. 自我介绍：这个排名是百分之多少？这些竞赛比赛是你主导的吗？比赛偏硬件还是偏软件？
2. 实习：为什么选这家公司？这个做的是个什么？有用到 AI 吗？
3. 项目一：简单介绍一下项目？这个项目是学习的吗？团队几个人？你的工作具体是什么？切分策略是怎么设计的？详细说说这个引用溯源到页面高亮具体怎么实现的？
4. 项目二：简单介绍一下项目？这个 Agent 怎么设计的？为什么用 LangGraph 而不是用 LangChain？这里有哪些工具？
5. 反问。

《参考解析》

文档切分策略怎么答：不要只说「按 500 字切」。完整回答分四层。① 切分单位的选择——固定长度切分最简单但会截断语义；按结构切分（Markdown 标题、PDF 段落/表格、代码按函数或类）保留了文档的自然边界；递归切分（先按标题，再按段落，再按句子）是折中主流；语义切分（按 embedding 相似度找断点）质量更高但成本大。② 参数——chunk size 与 overlap 要一起调：中文场景常用 300~800 字 + 10%~20% 重叠，重叠是为了避免答案正好被切断在边界上；表格、代码块、公式应当整块保留并单独处理，不要按字符硬切。③ 元数据——每个 chunk 必须带来源（文档 id、页码/章节、原始偏移量、标题路径），这些既是权限过滤的依据，也是引用溯源的基础。④ 检索侧配合——小块检索、大块生成（small-to-big：命中小块后返回它所在的父块或整节），或给每个 chunk 生成一句话摘要做「摘要索引」，都能显著提升召回质量。最后给一句度量：用标注过的问题集看召回率/命中位置是否完整，而不是凭感觉调参数。

引用溯源到页面高亮怎么实现：这条链路的关键是全程保留位置信息，不要在中途丢掉再靠字符串重新找。① 解析阶段：把文档解析成带偏移量的块，记录每个 chunk 在原文中的 {start, end}（或页码 + bbox/行号），存进向量库的元数据；② 生成阶段：把候选块按编号注入提示（如 [1] ...），要求模型在回答中标注引用编号，或者由后端在返回结果里附上「本次使用的 chunk id 列表」，不要指望从自然语言里正则抠引用；③ 前端渲染：拿到 chunk id 后查元数据得到位置，PDF 用 pdf.js 的文本层定位到页 + 高亮矩形（getTextContent 得到的 item 自带 transform 与宽高，可按偏移量匹配），Word/Markdown 用编辑器（ProseMirror/自研渲染器）的字符偏移做 Range 定位；④ 兜底：偏移量可能因为解析版本不同而漂移，所以除了字符偏移，最好同时存「所在页面 + 片段首尾若干字符」，定位时先用偏移命中、校验首尾文本，不匹配再退化成全文搜索该片段。面试官追问「详细说说」时，把这条链路的「元数据 → 传参 → 定位 → 兜底」讲完，比讲 UI 效果更有说服力。

为什么用 LangGraph 而不是 LangChain：两者的定位不同。LangChain 的核心是一堆可组合的抽象（Chain、Retriever、Tool、Memory 等），适合把「一次调用一条链」的流程快速搭起来，但它的流程是相对线性的，复杂控制流（循环、条件分支、重试、人工介入、状态回滚）写起来会变成嵌套回调或自定义代码。LangGraph 把 Agent 建模成状态图：节点是函数（模型调用、工具执行、判定），边是转移条件，并带一个显式的、可持久化的 state；由此得到几个直接好处——① 分支与循环是一等公民，适合 ReAct、多轮反思、人工审批这类流程；② 支持检查点（checkpointer），能中断后恢复、支持 human-in-the-loop；③ 支持流式输出每一步事件，前端可以展示「正在检索/正在调用工具」的过程；④ 状态显式化，调试时能看到每个节点前后的 state。代价是概念更多、学习成本更高、抽象层带来的调试复杂度。回答时再补一句：如果只是简单的「检索 → 拼上下文 → 生成」，用 LangChain 甚至不用框架更轻；选 LangGraph 是因为我们的流程有分支与循环（以及需要人工确认/恢复），这是判断依据。

Agent 需要哪些工具：按「能看、能查、能算、能写、能确认」分类更清楚。检索类（知识库向量检索、关键词检索、按元数据列举文档）、代码/数据类（SQL 查询、代码解释器或沙箱执行）、业务动作类（创建工单、发通知、更新业务状态——这类必须带权限校验与幂等）、交互类（向用户追问缺失参数、请人工确认高风险操作）、辅助类（时间/计算器这类确定性工具，避免模型自己算错）。工具设计的要点：描述里必须写清「什么时候用、什么时候不要用」，参数用 schema 强约束并做服务端校验；工具返回要结构化且截断（失败返回可读的错误原因，让模型能自我修正）；高风险工具要加二次确认，且所有调用都要有审计日志。

面试复盘：这场只面了 20 分钟、没有八股、以项目为主，面试官更像是在核验简历真实性——「这个项目是学习的吗」「团队几个人」「你具体做了什么」都是归属性问题，必须能清楚区分个人贡献与团队成果。原帖作者到发帖时还不知道是否有后续。建议这类面试前把每个项目准备三个层次：业务背景与目标、你的具体动作与取舍、可量化的结果；竞赛类经历要能说清自己在队伍里的角色与占比（面试官问「是不是你主导的」「偏硬件还是软件」就是在定位真实贡献）。