✅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。

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，你自己要做测试，没有实际测试过，你就写下一个）
• 基于 Redis Bitmap 将已上传分片状态查询由 N 次 Redis 往返优化为 1 次批量读取，并结合 MinIO 和数据库校验实现分片幂等和断点续传；前端采用 5MB 分片、单文件 4 并发上传。
• 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...