通联数据大模型应用面:PDF 解析选型、Reranker 与 LangGraph 之辩
- 轮次
- 一面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 讲一下项目一的背景。
- 你说现在这个版本是自己从零做的、没有用框架,那有做过调研吗?
- 你的 PDF 识别用的是什么?为什么选它?
- 你之前用 Dify 时 PDF 识别用的是什么?
- 嵌入模型用的 BGE-M3,为什么选它?有去尝试别的模型吗?
- 你这里写了用 Reranker 精排,原因是什么?为什么要精排?
- 只是因为把更准确的 chunk 放到前面吗?你理解 Reranker 吗?
- 如果我想做证据溯源——回复要在右下侧显示是哪个句子、哪个段落被召回,或者高亮那句话,打算怎么做?
- 有没有别的方法,除开 chunk 这个层面?
- 你上面说的这个方法跟 chunk 比有什么优点?
- 介绍一下第二个项目的背景。
- 你说你是学习时做的这个项目,那除了 LangGraph、LangChain 还了解什么框架?(DeepAgent、Pi Agent SDK)
- 讲讲这几个框架的区别,你会在什么场景下用它们。
- 换个角度问你,你觉得 LangGraph 的缺点是什么?
反问:业务方向与回复时间。
《参考解析》
PDF 解析的选型要能说清代价:PyMuPDF 快、依赖少、对文本型 PDF 提取准确,但对扫描件、双栏排版、表格与公式几乎无能为力——它只按内容流取文字,不理解版面。选型时应按文档类型分情况:文本型用 PyMuPDF 或 pdfplumber,扫描件走 OCR(PaddleOCR、云 OCR),复杂版面与表格用版面分析模型(如基于 LayoutLM 的方案)或商用解析服务(Unstructured、LlamaParse、MinerU 一类)。评估用「抽取字符准确率 + 表格还原度 + 阅读顺序正确率」在真实样本上打分,而不是凭直觉。面试官追问「为什么选它」,想听的是对比与适用边界,不是库名。
BGE-M3 为什么合适:它同时支持稠密、稀疏与多向量三种检索表示,中文效果在开源模型里靠前,支持长文本(8192 token),一次编码可同时产出多种向量,省一次推理。对比对象包括 multilingual-e5、GTE、Conan 以及各家 API 嵌入模型。选型要在自己的语料上做检索评测(Recall@K、MRR),而不是看榜单;同时考虑维度与成本、是否支持本地部署、是否需要多语言。
Reranker 的作用不止「排前面」:向量检索是双塔结构,query 与文档分别编码后算相似度,速度快但交互弱,容易召回「语义相近但不回答问题」的片段。Reranker 是交叉编码器,把 query 与每个候选拼在一起过模型,能捕捉词级交互与否定、限定条件,因此能在 Top-50 里挑出真正相关的几条。它的价值是「用可接受的延迟换取精度上限」,配合「粗排召回多、精排取少」的两段式,既控制成本又提升答案质量。说「只是把准确 chunk 放前面」会被认为没理解机制。
证据溯源怎么做:chunk 层面最简单——返回答案时附带每个 chunk 的 id、原文、页码与坐标,前端按坐标高亮(PDF 用文本层坐标,网页用 DOM 定位)。但要精确到「哪句话」,需要在生成时要求模型输出引用标记(如 [1]),并把每个标记绑定到具体句子;更细的做法是把文档预处理成句子级索引,检索命中句子而非整块,答案里只引命中句。chunk 之外的路径包括:用倒排索引做关键词回查(把答案里的句子拿去原文里定位)、用句子级向量索引、用抽取式模型先定位支撑句再生成、以及用知识图谱把实体关系作为证据。倒排索引的优点是精确匹配、可解释、成本低;缺点是同义改写与跨句推理找不到。工程上通常组合:先按 chunk 召回,再在 chunk 内做句子级对齐,最后把对齐结果作为引用返回。
框架的区别与选型:LangChain 偏「组件库 + 链式编排」,适合快速搭 RAG 与工具调用原型,抽象多、版本变动快;LangGraph 把流程建模成状态图(节点、边、条件跳转、检查点),适合有循环、多角色、需要人工介入与断点续跑的长流程 Agent;DeepAgent 一类偏「自主规划 + 子任务分解」的高层封装;Pi Agent SDK 更轻,聚焦工具调用与运行时。选型看的是控制粒度与可观测性需求:流程固定用 LangChain 或直接写代码,状态复杂、需要回滚与恢复用 LangGraph,追求开箱即用选高层框架。注意面试官提到的版本问题——LangGraph 近一年在封装度上进步很大,预置了持久化、人工审核、流式输出等能力,「太底层什么都要自己搭」的说法已经过时,回答前先确认版本与文档。
LangGraph 的缺点:图结构带来学习成本,简单线性流程用它反而更啰嗦;状态设计不当会导致节点间耦合、调试困难(需要可视化与检查点);生态与最佳实践仍在演进,版本升级有破坏性变更;对不熟悉状态机的团队,容易把业务逻辑散落在节点里,缺少统一的事务与错误处理。应对是先用小图验证、明确状态 schema、给每个节点加超时与幂等,并保留可回退的纯代码路径。