Agent 开发后端实习生一面面经

0923刚面完趁热记录一下。整体体验是项目问得很细，尤其是简历里两个 Agent/RAG 项目，面试官会沿着每个技术选型继续追问“为什么”和“怎么证明有效”。整体难度中等偏上，没有大范围考八股，核心就是围绕简历项目不断下钻。面试官很温和，但会一直追问技术选择的依据和效果证明。后面还聊了本科毕设和一道手撕题。
有点根据项目问的下面的问题

1. 先整体介绍项目，为什么选 LangGraph？工作流是怎样的？
2. 项目中的评测数据集是怎么构造的？
3. 数据主要由 AI 生成，如何保证数据集质量和覆盖度？
4. 如何保证 Agent 能在这些数据上更好地回答问题？
5. 用户问题比较口语化、有错别字或意图不明确时，如何处理？
6. 知识库如何构建？Markdown、TXT、PDF 分别怎么切块？
7. 为什么同时使用 BM25 和向量检索？两者各自适合什么问题？
8. 两路召回结果如何融合？
9. RRF 的原理是什么？为什么不直接融合两种检索的原始分数？
10. 粗排后为什么还要使用 Cross-Encoder 重排？
11. Cross-Encoder 为什么会比向量相似度更准确？
12. 直接使用预训练 Cross-Encoder，训练目标和你的业务场景并不一致，如何保证效果？
13. 简历里写了多种检索方式，分别是什么，为什么需要这么多种？
14. 这个项目和上一个项目除了技术栈不同，还有什么本质区别？
15. 做这个项目最大的收获是什么？
16. 项目里遇到的最大困难是什么，怎么解决？
17. 评测体系里有很多指标，哪个指标最能衡量系统是否达成目标？
    手撕算法一道偏简单的贪心题
    面完在官网看到就是流程终止了，凉