思特威智能体开发一面：RAG 流程与 Profile 分析

《面试题目》

1. 讲一下 RAG 的总体流程
2. 怎么进行 Profile 分析
3. 实习经历拷打（做了哪些工作、怎么落地的）
4. 自我介绍

《参考解析》

RAG 的总体流程：分离线索引和在线检索生成两段。离线侧：文档解析（PDF / HTML 转文本，保留标题层级和表格结构）→ 清洗去重 → 分块（chunk 300~800 token，overlap 10%20%，优先按标题与语义边界切）→ 向量化后写入向量库（Milvus / pgvector / FAISS），同时建 BM25 倒排索引和元数据（来源、时间、权限）。在线侧：query 改写（多轮指代消解、同义扩展、HyDE）→ 混合检索（向量 topK + 关键词）→ 融合排序（RRF 之类）→ rerank 精排（cross-encoder 取 top35）→ 组装 prompt（上下文 + 引用编号 + 指令）→ 生成 → 引用回填。工程上还要有 query/答案缓存、超时与并发控制，以及一套评测集盯召回率和答案忠实度。面试时最好顺带说清一个取舍：分块太小丢上下文、太大稀释相关性，所以通常配合 rerank 而不是一味加大 topK。

Profile 分析怎么做：把用户的历史行为和文本沉淀成结构化画像，分四步。① 数据源：简历、对话历史、点击与停留、问卷、成单记录。② 抽取：用 LLM 按固定 JSON schema 抽标签（技能、年限、意向城市、偏好），非结构化文本同时落到向量库做语义召回。③ 融合更新：同一维度多份证据加权，加时间衰减让新证据权重更高；标签体系尽量收敛成可控枚举，避免自由文本越滚越脏。④ 应用：推荐、分层运营、把画像回注到 prompt 做个性化。两条硬约束要主动提：画像字段必须可追溯到来源，避免模型编造；敏感字段脱敏存储。

实习经历怎么讲：用 STAR 结构并量化产出——业务背景一句话、你负责哪一块、方案怎么选、指标提升了多少。面试官最常见的追问是”这块为什么这么设计、换一种做法行不行、踩过什么坑”。提前准备 1~2 个能讲透的难点（比如检索召回上不去、线上延迟抖动），比罗列做过多少事有效得多。

关于流程：本轮没有手撕代码，全程围绕实习与项目方案追问，节奏偏交流，准备时把 RAG 链路上每一环的”为什么”想清楚即可。