11、项目表达与面试实战

Q11-1. 面试官让你介绍一个做过的 RAG / Agent 项目，你应该怎么讲？

更稳的表达顺序是 业务目标 -> 方案设计 -> 你负责的部分 -> 难点 -> 指标结果。

不要一开始就报技术栈，而要先讲这个项目解决了什么业务问题，例如“降低客服查文档成本”或“让运营能自然语言查数”。然后再讲架构，比如用了 RAG、Tools、LangGraph 还是平台工作流。接着重点说你自己具体做了什么，比如索引策略、权限设计、工具接入、评测体系、成本优化。最后给出可量化结果，比如命中率、耗时、转人工率、人工节省时长。

如果希望表达更稳，可以采用适合应用岗的轻量 STAR 结构：

• 情境：业务问题和约束是什么。
• 任务：你负责哪一段，目标指标是什么。
• 行动：你具体做了哪些设计、排障、优化。
• 结果：最终指标、上线效果、复盘收获。

面试官在项目题里最常往下追的，通常不是“你用没用过某个框架”，而是这些方向：

• 你具体负责哪一层，别把团队成果全讲成自己做的。
• 遇到过哪些 badcase，最后怎么修。
• 为什么这么选型，而不是别的方案。
• 项目上线后效果怎么评估，问题怎么排查。

常见追问：

• 这个项目最难的点是什么？
• 你做过哪些 trade-off？
• 如果重做一次，你会怎么改？

重要度：必刷（出现次数：1次） | 难度：中等

**考察点：**项目表达能力。

对应章节：19 RAG检索增强生成 §3、RAG 综合案例：智能运维助手；21 Agent智能体 §5、实操与案例

Q11-2. 如果面试官问“你们为什么不用某个更热门的框架或模型”，怎么回答更稳？

回答重点不是证明“当前选择永远最对”，而是说明“当前选择和业务约束是匹配的”。

比较完整的回答可以按四层展开：

• 业务复杂度：当前问题到底需要单 Agent、Workflow，还是已经复杂到必须上 LangGraph / 多智能体。
• 工程约束：团队熟悉度、交付周期、可观测性、可维护性、迁移成本。
• 部署条件：是直接用在线模型，还是要接 OpenAI 兼容 API、本地模型、Ollama、Xinference 这类自建推理层。
• 成本与性能：延迟、吞吐、token 成本、模型版本稳定性、是否存在第三方版本漂移风险。

比如没选更重的多智能体框架，可能是因为当前任务用单 Agent 或 Workflow 已经够了；没选更大的模型，可能是因为延迟和成本不划算；没选某个托管平台，可能是因为我们更看重统一 OpenAI-compatible API、模型可控和私有化部署能力。

再往前走一步，还应该顺手体现两点：

• 你知道替代方案，不是没调研过。
• 你给当前方案留了迁移路径，不会把系统锁死。

常见追问：

• 如果未来需求变复杂，迁移路径是什么？
• 你们是如何做技术验证的？
• 如何避免技术选型锁死？
• 如果你的 MCP 是基于 Java 自研的，和成熟 Agent 框架相比，扩展性优势到底体现在哪？

重要度：高频（出现次数：1次） | 难度：中等

**考察点：**技术判断和表达成熟度。

对应章节：9 LangChain概述与架构 §2、LangChain 定位；7 企业级大模型部署 §1、企业级大模型部署概述

Q11-3. 如果线上效果波动很大，你怎么向面试官展示你的排障能力？

最重要的是分层排查，并且给出清晰的证据链。

更规范的答法是：先确认是否存在输入分布变化，再看模型版本或 Prompt 是否变更，然后检查检索召回、工具调用、上下文组装、接口超时和日志链路。如果是 RAG，应抽样查看 query、召回片段和最终答案是否一致；如果是 Agent，则需要检查每一步工具调用和状态推进是否异常。最后再看是不是评测集失真或缓存污染。

这种回答比泛泛地说“调参数、优化 Prompt”更有说服力，因为它体现的是分层排障能力。

常见追问：

• 有没有遇到过偶发性错误？
• 如何做问题复现？
• 如何做一次有效复盘？
• 你会怎么判断问题主要来自模型幻觉，还是 RAG、Prompt、工具链路本身？

重要度：中频（出现次数：1次） | 难度：中等

**考察点：**故障定位与复盘能力。