闫广庆

最近参加了几场大模型算法工程师/AI智能体研发岗位的面试，整体感觉行业对候选人的要求越来越高，不仅需要扎实的理论基础，更看重实际项目经验和工程落地能力。以下是我在面试中遇到的一些常见问题、考察点及其参

好的，我们可以用几张流程图来帮助理解你提供的 FastAPI + LightRAG 项目代码。 在看流程图之前，请注意代码中的一个重要变化： 在你最新提供的代码中，/query/ 和 /ingest_

文档处理与转换层（Agentic 增强版） 支持格式： PDF、PPT、DOCX、Excel 转换目标： 智能选择并应用最适合的文档预处理模式，生成多样化的结构化文档载体，以支持高精度的生

一、目标与背景 目标：从PDF中提取层次化文档结构，拆分为适合检索增强生成（RAG）的独立文档块，用于向量存储和语义检索。 背景： RAG系统依赖文档的语义分割，要求每个块具有独立语义且长度适中（通常

基于人类系统设计与trae自动生成一套agentic框架。意味着未来的开发只要人明白具体需求就可以快速地落地自己想要的项目。trae定义了信息科技工程的新范式。

下一代 LLM 的核心特征 下一代大模型将不再是单一的生成工具，而是高度动态、智能化的决策与创新引擎。基于文献和现有技术趋势，其核心特征包括： 动态自适应推理。

围绕智能手机、新能源发电和新能源汽车等战略性新兴产业相关技术，对比无检索方法（GPT-4o、Qwen 2）和有检索方法（ITRG、SelfRAG、ReSP、RankRAG）的优劣后，我们可以提出下一代

开设一门关于“技术影响课程：无检索与有检索生成方法的对比分析”的课程是一个非常有前瞻性和实用性的想法，尤其是在当前大语言模型（LLM）和检索增强生成（RAG）技术快速发展的背景下。以下是围绕移动智能手

构建船舶领域大模型问答系统：融合文本向量与知识图谱增强技术 引言 在船舶行业，大量的知识分散于网页、文档等各种形式的资料中。当从业者面临诸如船舶维护、操作规范等问题时，快速准确地获取相关知识变得至关重