✅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。

xxxx数智有限公司｜研发部｜Java 后端 / AI 开发实习生 2026.05 - 2026.06

项目名称：政务热线工单平台｜RAG 智能政务问答助手

项目简介：面向政务热线与政策知识查询场景，参与建设支持多格式文档解析、混合检索、引用溯源及多租户权限控制的 RAG 问答系统，解决政策名称、事项编号等精确查询场景下纯向量检索效果不足的问题，支撑 13 个租户、8.32 万份知识文档的管理与检索。

技术栈：Java、RAG、Milvus、Elasticsearch、BM25、BGE Reranker、JWT、RBAC、MySQL

核心职责：

• 负责 RAG 检索策略优化，针对政策名称、业务事项及政策编号等专业词汇难以通过语义向量准确召回的问题，将原有单路向量检索升级为 BM25 + Dense Vector 双路召回，并通过 Reranker 精排候选片段；在 500 条固定测试集上，Recall@5 由 82.3% 提升至 91.6%，提高 9.3 个百分点。

• 设计混合检索与引用溯源机制，通过 Milvus 获取 Top-20 语义候选，结合 Elasticsearch BM25 关键词结果进行合并去重，再使用 bge-reranker-v2-m3 选取最终 Top-5；统一维护 Document、Chunk 及 Source Metadata，使模型回答能够引用对应政策文档及原始内容。

• 参与多租户知识库权限与会话管理开发，基于 JWT + RBAC + TenantContext 管理用户身份及租户权限，并在 Milvus、Elasticsearch 检索阶段注入 Tenant / ACL 过滤条件，避免其他租户的知识片段进入模型上下文；同时实现会话消息持久化、近期记忆与历史摘要管理，支持多轮政务咨询。

派聪明（企业级 RAG 知识库问答 Agent）

项目简介：基于 Elasticsearch 8 混合检索与 ReAct 工具调用的企业级知识库问答系统，支持大文件分片上传、异步流式解析、多级权限隔离检索、多轮复合意图问答与事后引用核验，检索与回答质量由 50 题离线评测集持续验证。

技术栈：Spring Boot 3 + Elasticsearch 8 + 阿里百炼 text-embedding-v4 / gte-rerank-v2 + DeepSeek + Kafka + Redis + MySQL + MinIO

【截图：派聪明简历核心技术栈与指标看板；风格：data-board；截图目标：展示派聪明简历包装中的关键架构组件与真实评测提升数据；关键词：Recall@5 76.1%、120 秒请求预算、三级阈值截断】

核心职责：

• 实现 ReAct 问答与工具调度机制，注册知识库检索、文档摘要、反馈记录、统计查询 4 类工具，通过第 1 轮强制挂载工具与 5 类跳过检索白名单解决模型盲目自信不查询知识库的问题，支持单轮多工具调用与最多 4 轮、8 次调用的分步推理，多次检索自动顺延引用编号并由 120 秒请求级截止时间保障超时可控
• 构建混合检索与三级防噪截断流程，BM25 与 2048 维向量 KNN 双路并行召回并经 RRF（k=60）融合，接入 gte-rerank-v2 对前 50 条候选精排，分别在精排（0.1）、RRF 兜底（0.028）和纯文本降级（0.3）设置分数阈值拦截低分噪声，分块级 Recall@5 达 76.1%、文档级召回率达 100%
• 设计父子分块扩展与多阶段防幻觉机制，检索命中 512 字符子块后自动拉取前后相邻分块合并为最多 1500 字符的父块补全上下文，生成侧采用 0.3 低温采样与局部拒答约束，生成后在独立线程池提取带引用编号的句子与父块原文逐句核验，自动标记可疑引用
• 搭建用户负向反馈修正与问题定位机制，提供反馈接口与对话工具将评价写入 Redis，后续对话自动注入该用户最新 5 条反馈实时修正回答偏好，同时将点踩记录关联原始提问、回答与分块引用映射定位检索或生成阶段问题，回流扩充离线评测集
• 落地 50 道题的 7 类场景离线评测与人工校准体系，统计分块级 Recall@5、MRR、NDCG@5 与评委打分，对检索未命中但评委判对的异常样本强制人工复核，模型评委与人工复核一致率达 80%（Cohen's kappa 0.61）

xxx｜国家重点实验室｜Agent 开发实习生 2026.05 – 至今

项目名称：内网 RAG 知识检索与智能研判系统

项目简介：面向涉密内网技术资料检索与趋势研判场景，独立负责 RAG 核心模块开发，在公网隔离环境完成模型与检索组件私有化部署，支持长技术报告知识问答、复杂问题多轮检索及证据溯源。

技术栈：Python、MinerU、BGE-M3、Milvus、BM25、RRF、Reranker、Qwen、Celery、Redis

核心职责：

• 负责内网 RAG 系统开发，在公网隔离环境完成 MinerU、BGE-M3、Milvus、Reranker、Qwen 等组件本地化部署；针对长技术报告固定切片容易造成语义割裂与重复上下文的问题，采用 Parent-Child Chunk 分层索引，以细粒度子块完成召回并回溯父级内容生成回答。

• 针对缩写、设备型号及专业术语在纯向量检索中容易漏召回的问题，融合 BGE-M3 Dense 与 BM25 Sparse 双路检索，通过 RRF 合并候选结果并使用 BGE Reranker 精排，同时结合时间、技术领域等 Metadata Filter 缩小检索范围；在固定技术问答评测集上 Recall@10 由 0.72 提升至 0.87，MRR@10 由 0.64 提升至 0.79。

• 针对 PDF 解析、Chunking、Embedding 等耗时操作阻塞在线问答的问题，基于 Celery + Redis 将文档解析、向量化及索引写入改为异步任务，并缓存高频 Query 与 Retrieval / Rerank 结果，减少重复模型计算与向量检索。

• 针对复杂趋势问题单次检索难以覆盖完整证据的问题，实现 Query Rewrite 与多轮补充检索，根据已获取证据动态调整查询并结合时间、技术领域等条件限制检索范围；进一步结合主题演化、时间序列与变点检测生成趋势判断，并为 Document / Page / Chunk 建立 Evidence ID，使分析结论能够回溯至原始文档及具体页面。

派聪明 RAG 知识库 RustFS

项目简介：基于 Elasticsearch 混合搜索的 RAG 知识库系统，支持文档上传、分块解析、向量检索和智能问答。

技术栈：Spring Boot、RustFS、AWS SDK for Java v2、Elasticsearch、Kafka、PyIceberg、DuckDB

核心职责：

• 将对象存储从 MinIO 迁移到 RustFS，通过标准 S3 API 对接 AWS SDK for Java v2，业务代码零改动
• 设计分片上传合并方案，解决浏览器分片小于 S3 Multipart 5 MiB 限制的问题，支持断点续传和失败自动回滚
• 编写 Python 跨存储迁移工具，支持 SHA-256 校验、元数据保留和 dry-run 模式，迁移过程零数据丢失
• 集成 RustFS S3 Tables（Iceberg REST Catalog），实现 RAG 分块数据的结构化存储和 SQL 查询
• 配置 Docker Compose 编排 RustFS 服务，实现健康检查、CORS 跨域、内外网双地址预签名

YuForge Knowledge Engine｜研发知识库与 AI Agent 知识引擎

GitHub： gxySkywalker/YuForge-Knowledge-Engine⁠

项目简介：面向企业研发团队与 Coding Agent 的研发知识引擎，统一管理需求、架构、规范及版本文档，通过 RAG 为开发者与 Codex 等 Agent 提供带引用、可追溯、权限隔离的知识检索与智能问答，并支持 Web、REST、CLI、MCP 多种接入方式。

技术栈：Java、Spring Boot、MySQL、Redis、Kafka、MinIO、Elasticsearch、Apache Tika、WebFlux、Qwen Embedding / Reranker、DeepSeek、MCP

核心职责：

• 基于 Elasticsearch 实现 Hybrid Retrieval，融合 BM25 关键词检索与 2048 维 Dense Vector 语义召回，通过 RRF 合并候选结果并使用 Qwen3 Reranker 精排；增加 Confidence Gate 对低置信度结果拒答，兼顾代码标识、专业术语与自然语言查询的检索效果。

• 设计 Evidence-grounded RAG 问答机制，针对跨需求、架构、规范等多主题问题拆分检索子任务，并按照显式版本、知识权威等级及相关性选择证据；生成结果要求逐项绑定稳定 Citation，并对引用有效性进行校验，在证据不足时支持部分回答或明确拒答，减少无依据内容进入研发决策。

• 设计 Asset → DocumentVersion → ContentNode → Chunk → Embedding 分层知识模型，通过 DocumentVersion 管理同一研发资产的历史版本，并以状态机控制解析、切片、Embedding、索引及失败恢复；基于 Kafka 将文件上传与知识加工异步执行，支持 100 MiB 文件、20 分片乱序上传、重复分片幂等及断点续传。

• 针对企业知识存在部门、项目及资产权限边界的问题，基于用户角色、组织标签、公开属性与资产归属生成 ACL Filter，并在 BM25 与向量检索阶段直接限制候选范围，避免无权限内容被召回后进入 LLM Context，实现检索阶段的数据权限隔离。

• 建立 Retrieval 与 Generation 双层评测机制，通过黄金数据集持续评估 Recall、MRR、nDCG 等检索指标，以及事实完整度、Citation 有效性与拒答准确率；结合自动化回归覆盖知识版本、权限、检索及问答场景，避免检索策略或模型调整造成效果退化。

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。

西南技术工程研究所｜大模型应用开发 2025.07 – 2026.02

项目名称：Agentic RAG 企业知识库系统

项目简介：面向环境工程领域的企业知识库系统，支持文档解析、知识图谱构建、结构化数据查询及智能问答，通过 Agentic RAG 完成复杂问题分析与知识检索，为科研场景提供智能检索能力。

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

核心职责：

• 使用 Kafka 构建文档异步处理流程，将文件上传、解析、切片、向量化拆分为后台任务执行；结合 Redis Bitmap 管理分片上传状态，并使用 MinIO 实现大文件断点续传，提高文档处理吞吐能力。

• 设计 Agent 执行流程，根据用户问题复杂度动态选择 ReAct 或 Plan-Execute 两种执行模式；同时实现分层上下文管理，通过滑动窗口保留近期对话，对历史内容进行摘要压缩，降低长对话中的 Token 消耗。

• 实现意图驱动的混合检索模块，根据查询类型自动选择检索策略；普通问答采用 BM25、KNN 双路召回及 RRF 融合排序，复杂关系查询结合知识图谱完成多跳检索，并统一通过 Rerank 对文本与图谱结果进行排序，提高复杂问题检索准确率。

• 构建知识图谱增量更新机制，将文档实体、关系及文本片段建立关联索引，支持新增文档自动更新知识图谱，减少全量重建带来的计算开销。

• 建立 RAG 离线评测体系，基于 RAGAS 自动回放检索与生成流程，并结合人工校验持续评估证据相关性、信息覆盖率、回答忠实度及答案相关性等指标，核心指标稳定保持在 0.73～0.80。

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...