✅派聪明RAG项目如何写到简历上？（附 20 道精选 AI 面试题）

重要提示，这部分内容有一些是我修改的球友简历，放上来是为了方便大家参考，请不要相互传播，引起误会，大家参考学习就好了，后期有遇到不错的内容我也会更新上来，互帮互助，才能更进一步。

项目名称：PaiSmart 2026年4月-2026年5月

项目介绍：基于 RAG 的企业级 AI 知识库，支持多租户文档智能检索与对话问答，提供从文档上传、切片向量化到语义检索、流式对话等。

技术栈：Spring Boot 3.4 / WebSocket / Elasticsearch 8 / Kafka / Redis / MinIO / MySQL / DeepSeek API / 阿里 Embedding

核心职责：

• 基于 WebSocket 实现全双工流式对话，后端通过 WebFlux 的 Stream 接入 DeepSeek 等 LLM 的 SSE 流，实现逐字输出；支持用户主动中断，后端同步取消 LLM 侧的流式连接，避免错误提示词下的 Token 消耗；整体首字响应延迟控制在 500ms 以内。

• 基于 LiteParse 命令行工具重构 PDF 解析流程，通过子进程调用实现本地 OCR，解决扫描件与图片型 PDF 在知识库中无法被检索的问题

• 设计可插拔 OCR 适配层，借助 LiteParse 的 ocr-server-url 机制将识别引擎在本地 Tesseract 与阿里云高精版 OCR 之间无缝切换

• 实现对话内容的持久化和断线续传，每个流式内容原子写入 Redis，并通过状态机维持状态；用户断线重连后自动恢复上一次输出进度，不丢失已生成文本，保障弱网环境下的用户体验。

• 利用 Elasticsearch + IK 分词器对知识库文档进行索引和向量检索，支持 Word、PDF 和 TXT 等多种文本类型；并集成阿里 Embedding 模型进行文本到向量的转换，支持 2048 维；再结合 ES 的 KNN 向量召回、关键词过滤和 BM25 重排序实现「关键词+语义」的双引擎搜索，同时内嵌多租户权限过滤，确保数据隔离。

• 基于 Spring WebSocket 实现全双工流式对话，后端通过 WebFlux 的 Reactive Stream 接入 DeepSeek 等 LLM 的 SSE 流，实现逐字输出；支持用户主动中断生成，后端同步取消 LLM 侧的流式连接，避免无效 Token 消耗；整体首字响应延迟控制在 500ms 以内。

• 前端使用 SparkMD5 计算文件指纹，然后开启 4 个 worker 并发上传分片；后端通过 Bitmap 追踪分片状态；合并阶段按 chunkIndex 升序组装后调用 MinIO 进行合并，保证分片不乱序。

• 利用 Kafka 进行异步文档处理，覆盖「文件解析 → 文本切片 → 向量化入库」全流程，并通过事务确保生产者侧消息不丢失不重复，消费端失败的消息经 4 次重试后自动路由至死信队列。

• 通过 Redis 维护 20 条消息的上下文窗口，供 LLM 调用时毫秒级加载；并将完整对话内容持久化到 MySQL。

• 实现可热插拔的多模型路由与 Token 配额管理，支持运行时切换 DeepSeek、通义千问等 LLM 和 Embedding 供应商，无需重启服务；并通过流式 usage 解析实现精确的 Token 消耗计量，结合每日请求数 + Token 余额双维度限流，控制调用成本。

写法1 派聪明 RAG 知识库 Java 后端开发 2025-06 ～ 2025-09

项目描述：派聪明是一个基于私有知识库的企业级智能对话平台，允许用户上传文档构建专属知识空间，并通过自然语言交互方式查询和获取知识。它结合了大语言模型和向量检索技术，能够让用户能够通过对话的形式与自己的知识库进行高效交互。

技术栈：SpringBoot、MySQL、Redis、Apache Tika、Ollama、Elasticsearch、MinIO、Kafka、Spring Security、WebSocket、Linux、Shell

核心职责：

• 编写 shell 脚本，一键启动 Kafka 的 KRaft模式，自动处理 cluster ID 的冲突问题，包括清理日志、生成集群 ID、格式化存储目录、启动 Kafka 服务器等。
• 利用 Elasticsearch 加 IK 分词器对知识库文档进行索引和向量检索，结合 KNN 向量召回与 BM25 关键词匹配，通过 RRF 融合排序实现语义加关键词的双引擎检索，经测试集评估检索命中率较纯关键词检索提升约25%。
• 引入 MCP 协议对本地文件操作、PDF 生成及数据库查询等能力进行 Server 端封装，实现了Agent 与工具生态的解耦。
• 参考 OpenManus 开源架构，设计了分层智能体体系（BaseAgent、ReActAgent、ToolCallAgent）。利用 SpringAI 的 FunctionCallback 机制实现本地方法的自主调用，以及 ReAct 推理，赋予 Agent“思考-规划-行动-观察”的自主决策能力，使其能够处理“检索/搜索-生成文本-生成总结PDF”等跨多步骤的复杂任务。
• 编写用户认证模块单元测试，结合 JUnit + Mockito 验证 Redis 引入前后的性能差异，为系统调优提供依据。
• 基于 Kafka 解耦文件上传、处理与向量化流程，实现分片上传与断点续传；使用 Redis 的 Bitmap 存储分片状态，并通过 MinIO 按照 MD5 进行分片合并。
• 能够在 Linux 服务器下通过 HTTPS 的方式启动 ElasticSearch，并设置 ES 的 JDK 加载版本为 17；可通过 CA 证书+ CURL 获取/更新 ElasticSearch 的键值对。
• 使用 Redis 的 BitMap 来存储文件分片上传状态，能最大程度节省内存，即使一个文件有 1000 个分片，也只需要 125 字节的存储空间。
• 支持 Docker 容器化部署，只需一个命令 docker-compose up -d 就可以在 1 分钟内一键启动整套系统。极大地简化了部署过程，并保证了开发、测试和生产环境的一致性。
• 利用 Elasticsearch + IK 分词器对知识库文档进行索引和向量检索，支持 Word、PDF 和 TXT 等多种文本类型；并集成阿里 Embedding 模型进行文本到向量的转换，支持 2048 维；再结合 ES 的 KNN 向量召回、关键词过滤和 BM25 重排序实现「关键词+语义」 的双引擎搜索。
• 基于 WebSocket 实现前端和后端之间的长连接通信通道，并结合 DeepSeek 大模型的 Stream API 实现流式响应返回，只要后端有新的内容到达，前端就即时将文本逐步拼接显示，用户看到的就是一个“打字机”式的逐字生成过程。
• 使用 Redis 缓存文件元信息与上传分片，结合 MinIO 实现大文件分片上传与断点续传，优化后 1GB 文件上传耗时由 15s 降至 3s。 （本机是 macOS 顶配，128G 内存 Apple M3 Max 芯片）
• 构建 RAG 检索流程：通过用户提问 + 检索片段拼接生成增强型 Prompt，结合上下文与语义召回提升问答准确度，构建企业私有知识问答体系。
• 实现基于 Kafka 的文档处理异步流水线，解耦文件上传、解析和向量化过程，经测试，500M 文件上传仅需 200 毫秒。
• 利用 Spring Security+JWT 实现基于组织标签的 RBAC 的多级权限系统，通过用户角色、组织归属和文件属性的权限过滤，实现精细化的文档访问控制，确保敏感数据安全。
• 登录与鉴权模块采用 JWT 实现无状态认证，结合 ThreadLocal 管理用户上下文，配合拦截器实现 token 校验与自动续约，避免因 token 过期频繁导致的重新登录问题。
• 采用 JWT+Redis 的双令牌机制，通过 Access token 处理业务请求，Refresh token 实现用户无感的令牌刷新。
• 当用户搜索时，我们利用 Elasticsearch 的 KNN 算法计算查询向量和文档向量的余弦相似度，接着利用 ES 默认的 BM25 算法对关键词在文档中的出现频率、重要性进行打分，最后根据自定义公式综合计算出最后的置信分，方便用户判断检索结果的可靠性。
• 引入滑动窗口机制，在相邻 chunk 之间保持一定的重叠区域，以保证跨 chunk 的信息完整性。
• 采用基于 Redis 的对话历史管理机制，每个用户都有一个唯一的会话 ID，所有的对话内容都按照时间顺序存在 Redis 中，并设置了 7 天的过期时间，以便在多轮对话中保证上下文信息的完整性。
• 在调用豆包向量 API 失败时，我们会自动回退到纯文本搜索，实现服务降级；并在调用豆包向量 API 时，采用 Reactor 的重试机制，支持固定延迟重试 3 次，并设置了 30 秒的超时保护。
• 项目采用了 Mockito 注解驱动的测试模式，践行测试驱动开发（TDD）的理念，每个业务功能都有对应的测试用例，包括正常流程和异常流程。

项目名称：Agentic RAG 学术研究助手 时间：2026.02 – 2026.04

技术栈：Spring Boot、LangChain4j、Elasticsearch、Redis、MinIO、Kafka、Java 21

项目描述：基于 ReAct 实现的 Agentic RAG 系统，将检索能力封装为工具接入 Agent Loop，支持多格式文档上传、混合检索与多轮对话，并通过多租户隔离保障数据安全。

核心职责：

• 将 RAG 模块封装为 Agent Tool，构建“向量 + BM25”双路检索能力，并通过 RRF 融合与 Rerank 模型重排结果；结合多种文档切块策略，减少无关内容干扰

• 设计三级上下文管理机制，基于滑动窗口控制上下文长度，对历史对话进行异步压缩，在保证对话连贯性的同时减少长上下文带来的信息丢失与 Token 消耗

• 使用 Kafka 解耦文档解析流程，将上传、解析、向量化拆分为异步任务，并通过 Outbox 模式保证数据一致性

• 设计多租户隔离方案，使用 TransmittableThreadLocal 在虚拟线程中传递用户身份信息，在数据写入与查询阶段附加用户标识，实现文档级权限控制

• 对不同格式文档解析流程进行拆分，使用策略模式与工厂模式组织解析逻辑，使系统可以方便扩展新的文档类型

Tiny-RAG

GitSeek

项目名：基于 RAG 的问答助手 2025.08-2025.11 后端开发

项目简介：面向企业内部文档检索与知识问答场景，搭建一套基于 RAG 的问答助手。系统支持大文件上传与异步解析向量化、混合检索召回与多轮对话。

技术栈：Spring Boot、MySQL、MyBatis、Redis、Kafka、Elasticsearch（向量检索）、MinIO、Ollama

核心职责：

• 基于 MinIO 搭建对象存储承载大文件上传，使用 Kafka 构建文档异步处理，把上传、解析、切块、向量化彻底解耦，同时将向量和关键词存入 Elasticsearch 供混合检索。
• 使用 Redis 持久化多轮对话历史，针对超长对话引入摘要记忆策略，触发大模型对早期上下文进行压缩总结，减少上下文长度带来的推理成本。
• 设计文档分块与索引方案，用文档层级树组织章/段/句结构，以句子作为最小向量单元，并实现动态粒度检索，减少语义链被硬切导致的召回断裂，使检索 F1 提升约 10%。
• 本地部署向量模型完成文本块向量化，落地关键词检索加向量检索的混合检索，采用 RRF 倒数排名融合策略计算 TopK。
• 构建 RAG 效果评测与模型对比机制，设计多层次文档匹配算法评估检索质量，针对 bge、qwen 等向量模型输出 Precision、Recall、F1、MRR 等指标，为优化提供量化依据。

智能 RAG 知识库管理系统（测试方向） 2025.06 - 至今

技术栈：Spring Boot、Spring Security、MySQL、Redis、Elasticsearch、Kafka、MinIO、Ollama

项目描述：构建智能化的知识库管理系统，支持文件存储、检索增强问答（RAG）、权限控制与智能文档处理。

主要工作：

• 参与整体后端架构设计，基于 Spring Boot + Spring Security 构建模块化分层架构，确保系统 低耦合、高内聚。
• 设计 MySQL + Redis + MinIO + Elasticsearch 的多级存储体系，实现文件元数据、对象存储与向量数据的分离，结合 用户标签权限模型，实现多租户知识库隔离。
• 集成 RAG 检索增强架构，利用 Embedding API 生成文档向量，结合 Elasticsearch 语义检索，较关键词搜索准确率提升 40%+；通过 Kafka 异步结构文档的解析、向量化和存储，从而提升系统的整体 QPS。
• 编写 JUnit + Mockito 单元测试，覆盖用户注册、认证、会话管理等功能与异常场景；对比验证 Redis 优化前后性能差异，为系统调优提供数据支撑。
• 项目采用了 Mockito 注解驱动的测试模式，践行测试驱动开发（TDD）的理念，每个业务功能都有对应的测试用例，包括正常流程和异常流程。
• 对文件分片上传、向量检索等关键环节进行压力测试和性能优化，检索响应时间从初始的 800ms 降低到 200ms，支持 TB 级文档存储和毫秒级检索。

运维方向

项目名称：RAG 智能报价系统 2025.03 - 至今 运维工程师

技术栈：Spring Boot、Redis、MinIO、Elasticsearch、vLLM、Kubernetes、Prometheus、Grafana、Fluent Bit、NetworkPolicy、Helm

项目简介：为某传感器制造企业构建的智能报价系统，集成 RAG 架构与中文大模型，服务于内部销售人员与官网用户...