agent_proj/docs/INTERVIEW_PREP.md

# 面试知识点总结

> 基于本项目的技术栈，总结面试常问知识点

---

## 一、LangChain 核心知识点

### 1.1 LangChain Agent 机制

#### Q1: 什么是 LangChain Agent? 它与 Chain 的区别?

| 特性 | Chain | Agent |
|------|-------|-------|
| 执行方式 | 固定流程，按顺序执行 | 动态决策，自主选择下一步 |
| 工具调用 | 预定义，需手动编写 | 自动判断是否调用工具 |
| 适用场景 | 固定流程 (如 RAG) | 需要推理和决策的场景 |

**项目中的应用**:
```python
# 使用 create_agent 创建 Agent
agent = create_agent(
    model=ChatTongyi(model="qwen3-max"),
    tools=[rag_summarize, get_weather, get_user_id],
    system_prompt="你是一个智能助手"
)
```

#### Q2: 解释 ReAct 框架在 Agent 中的应用

**ReAct = Reasoning + Acting**

```
Thought: 我需要知道用户所在城市的天气
Action: get_weather
Action Input: 深圳
Observation: 天气晴朗，26°C
Thought: 现在我有天气信息，可以回答用户问题了
```

**项目中的体现**:
- 系统提示词明确要求遵循 ReAct 框架
- Agent 自动完成 "思考→行动→观察→再思考" 循环
- 最多支持 5 次工具调用

### 1.2 LangChain Middleware 中间件机制

#### Q3: LangChain 中间件是什么? 如何实现?

LangChain 中间件是 LangGraph 提供的钩子机制，用于在 Agent 执行过程中注入自定义逻辑。

**项目中的三种中间件**:

1. **wrap_tool_call** - 工具调用包装
```python
@wrap_tool_call
def monitor_tool(request, handler):
    # 工具调用前
    logger.info(f"执行工具: {request.tool_call['name']}")
    result = handler(request)  # 调用实际工具
    # 工具调用后
    return result
```

2. **before_model** - 模型调用前
```python
@before_model
def log_before_model(state, runtime):
    # 每次调用 LLM 前记录日志
    logger.info(f"即将调用模型，当前有 {len(state['messages'])} 条消息")
    return None
```

3. **dynamic_prompt** - 动态提示词
```python
@dynamic_prompt
def report_prompt_switch(request):
    is_report = request.runtime.context.get("report", False)
    if is_report:
        return load_report_prompts()  # 切换为报告生成 Prompt
    return load_system_prompts()
```

#### Q4: 中间件的应用场景有哪些?

| 场景 | 中间件类型 |
|------|-----------|
| 日志记录 | before_model, wrap_tool_call |
| 性能监控 | wrap_tool_call |
| 动态提示词 | dynamic_prompt |
| 权限控制 | wrap_tool_call |
| 结果缓存 | wrap_tool_call |

---

## 二、RAG (检索增强生成)

### 2.1 RAG 核心流程

```
用户 query
    │
    ▼
┌─────────────────┐
│  向量检索       │ ← Chroma Retriever
└────────┬────────┘
         │ 返回 Top-K 相关文档
         ▼
┌─────────────────┐
│  构建 Prompt    │ ← 拼接 query + context
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│  LLM 生成回答   │ ← 通义千问
└────────┬────────┘
         │
         ▼
    返回结果
```

### 2.2 关键面试题

#### Q5: 为什么需要 RAG? 直接用 LLM 不可以吗?

| 方案 | 优点 | 缺点 |
|------|------|------|
| 直接 LLM | 简单 | 知识截止、可能幻觉、无法访问私域知识 |
| RAG | 实时性、可引用私域知识、减少幻觉 | 增加复杂度、依赖检索质量 |

#### Q6: RAG 中的关键环节有哪些?

1. **文档加载**: PyPDFLoader, TextLoader
2. **文本分片**: RecursiveCharacterTextSplitter
   - chunk_size: 每片大小
   - chunk_overlap: 重叠区域 (保持上下文)
   - separators: 分隔符优先级
3. **向量化**: Embedding 模型
4. **向量存储**: Chroma
5. **相似度检索**: Cosine similarity, Top-K
6. **结果拼接**: Query + Context → Prompt

#### Q7: 如何优化 RAG 效果?

| 优化方向 | 方法 |
|----------|------|
| 检索质量 | 调整 chunk_size、overlap、使用 better embedding |
| 召回率 | 增加 Top-K、使用混合检索 |
| 排序rerank | 使用 rerank 模型二次排序 |
| Prompt 工程 | 优化 RAG Prompt 模板 |

### 2.3 项目中的 RAG 实现

```python
# rag_service.py
class RagSummarizeService:
    def rag_summarize(self, query: str) -> str:
        # 1. 向量检索
        context_docs = self.retriever.invoke(query)
        
        # 2. 拼接上下文
        context = ""
        for doc in context_docs:
            context += f"[参考资料]: {doc.page_content} | {doc.metadata}\n"
        
        # 3. 调用 LLM 生成
        return self.chain.invoke({
            "input": query,
            "context": context
        })
```

---

## 三、向量数据库 (Chroma)

### 3.1 Chroma 核心概念

| 概念 | 说明 |
|------|------|
| Collection | 类似表，存储一类文档 |
| Embedding Function | 向量化函数 |
| Document | 包含 page_content 和 metadata |
| Retriever | 检索器，支持相似度搜索 |

### 3.2 面试题

#### Q8: Chroma 的优势?

- 轻量级，易于部署
- Python 原生，集成方便
- 支持持久化存储
- 与 LangChain 无缝集成

#### Q9: Chroma 与其他向量库 (Milvus/Pinecone) 的区别?

| 特性 | Chroma | Milvus | Pinecone |
|------|--------|--------|----------|
| 部署方式 | 本地/嵌入 | 服务端 | SaaS |
| 规模 | 中小 | 大规模 | 大规模 |
| 成熟度 | 一般 | 高 | 高 |

---

## 四、Streamlit Web 开发

### 4.1 项目中的应用

```python
# app.py
import streamlit as st

st.title("智扫通智能机器人客服")

# 会话状态管理
if "agent" not in st.session_state:
    st.session_state["agent"] = ReactAgent()

# 聊天记录
for message in st.session_state["message"]:
    st.chat_message(message["role"]).write(message["content"])

# 用户输入
prompt = st.chat_input()

# 流式输出
if prompt:
    stream = agent.excute_stream(prompt)
    st.chat_message("assistant").write_stream(capture(stream))
```

### 4.2 关键面试题

#### Q10: Streamlit 的核心机制?

- **声明式 UI**: 通过 st.xxx() 声明组件
- **脚本式**: 每次交互重新运行整个脚本
- **状态管理**: session_state 保持会话状态
- **热重载**: 修改代码自动刷新

#### Q11: 如何实现流式输出?

```python
# 方法1: write_stream
st.write_stream(generator_function)

# 方法2: 自定义 (本项目使用)
def capture(generator, cache_list):
    for chunk in generator:
        cache_list.append(chunk)
        for char in chunk:
            time.sleep(0.05)  # 模拟打字效果
            yield char
```

---

## 五、设计模式

### 5.1 工厂模式 (Factory Pattern)

```python
# model/factory.py
class BaseModelFactory(ABC):
    @abstractmethod
    def generator(self) -> Optional[Embeddings | BaseChatModel]:
        pass

class ChatModelFactory(BaseModelFactory):
    def generator(self) -> Optional[BaseChatModel]:
        return ChatTongyi(model=rag_conf["chat_model_name"])

class EmbeddingsFactory(BaseModelFactory):
    def generator(self) -> Optional[Embeddings]:
        return DashScopeEmbeddings(model=rag_conf["embeddings_model_name"])
```

**好处**: 统一创建入口，便于后续更换模型

### 5.2 配置中心化

所有配置集中在 config/ 目录的 YAML 文件中:
- rag.yaml: 模型配置
- chroma.yaml: 向量库配置
- agent.yaml: Agent 配置
- prompts.yaml: Prompt 路径配置

### 5.3 中间件模式

利用装饰器和钩子实现横切关注点:
- 日志
- 监控
- 动态提示词切换

---

## 六、工程实践

### 6.1 日志管理

```python
# utils/logger_handler.py
def get_logger(name: str = "Agent"):
    logger = logging.getLogger(name)
    # 双写: 控制台 + 文件
    console_handler = logging.StreamHandler()
    file_handler = logging.FileHandler(log_file, encoding='utf-8')
    return logger
```

### 6.2 路径管理

```python
# utils/path_tool.py
def get_project_root():
    cur_file = os.path.abspath(__file__)
    proj_dir = os.path.dirname(os.path.dirname(cur_file))
    return proj_dir

def get_abs_path(relative_path):
    return os.path.join(get_project_root(), relative_path)
```

### 6.3 MD5 去重

```python
# vector_store.py
# 通过 MD5 避免重复加载文档
md5_hex = get_file_md5_hex(path)
if check_md5_hex(md5_hex):
    continue  # 已存在，跳过
self.vector_store.add_documents(split_doc)
save_md5(md5_hex)
```

---

## 七、LLM & Embedding

### 7.1 通义千问 (Qwen)

- **模型**: qwen3-max (阿里云)
- **调用**: langchain_community.chat_models.tongyi.ChatTongyi

### 7.2 DashScope Embedding

- **模型**: text-embedding-v4
- **用途**: 将文本转为向量
- **调用**: langchain_community.embeddings.DashScopeEmbeddings

---

## 八、常见面试扩展问题

### Q12: 如何保证 Agent 工具调用的安全性?

1. **工具入参校验**: Pydantic 类型提示
2. **调用次数限制**: 最多 N 次
3. **工具白名单**: 只允许调用指定工具
4. **中间件监控**: 记录所有调用

### Q13: Agent 如何实现"思考过程"可视化?

```python
# 项目中的实现
for chunk in res:
    last_msg = chunk["messages"][-1]
    if last_msg.tool_calls:
        # 显示思考过程
        print(f"工具调用: {last_msg.tool_calls}")
```

### Q14: RAG 召回率低怎么排查?

1. 检查 chunk_size 是否合适
2. 检查 embedding 质量
3. 查看检索到的文档是否相关
4. 调整 Top-K 值
5. 检查分片是否有意义 (避免切断句子)

### Q15: 生产环境部署注意什么?

1. **API 限流**: 添加重试机制
2. **错误处理**: 工具调用失败处理
3. **日志**: 完整日志记录
4. **监控**: 调用次数、耗时监控
5. **缓存**: 热门 query 缓存结果