面灵AI→

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》

  1. 讲一下项目一的背景。
  2. 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?
  3. 你的 PDF 识别用的是什么?为什么选它?
  4. 你之前用 Dify 时 PDF 识别用的是什么?
  5. 嵌入模型用的 BGE-M3,为什么选它?有去尝试别的模型吗?
  6. 你这里写了用 Reranker 精排,原因是什么?为什么要精排?
  7. 只是因为把更准确的 chunk 放到前面吗?你理解 Reranker 吗?
  8. 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?
  9. 有没有别的方法,除开 chunk 这个层面?
  10. 你上面说的这个方法跟 chunk 比有什么优点?
  11. 介绍一下第二个项目的背景。
  12. 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)
  13. 讲讲这几个框架的区别,你会在什么场景下用它们。
  14. 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。