DocMind 面试知识库 — 文档索引#

本文件夹包含 DocMind 项目的全部面试准备资料（22 篇文档）。上传到 Claude Project 后，可用来模拟技术面试和撰写简历。

🧭 改架构 / 对齐现状前先看 00-当前架构事实卡——当前架构的唯一权威基准，记录”系统现在到底长什么样”，与代码 / CLAUDE.md 同步维护；其它文档若与它冲突，以它（及代码）为准。

🗺️ 学通用知识不知从哪看起？看 17-AI-Agent通用知识地图——它把 AI Agent 开发的 L1–L8 通用知识分层铺开，每个知识点都指向对应的实现文档，是整个知识库的「全景目录页 / 入口」。

按问题类型查找#

面试问题类型	查哪些文档
”介绍一下你的项目”	01（全景）+ 13（一句话描述）
“Agent / RAG 怎么设计的”	02（Agent 设计）+ 03（检索链路）
“能处理多跳推理吗 / 为什么不用 Plan-and-Execute”	02 + 03（多跳现由 agentic 工具调用循环处理）+ 19/20（四刀改造）；18 记录选型推理 + 工程加固（自研串行多跳已被 agentic 循环取代，加固保留）
“遇到过什么问题，怎么解决的”	04（20 次迭代记录）+ 10（评测发现）+ 18（多跳改造）
“工程化细节 / 并发 / 缓存”	05（工程化实践）
“LLM 上线稳定性 / 成本 / 限流 / 幻觉”	05（LLM 工程实践节）
“怎么约束 Agent / Prompt 还是代码 / guardrails”	22（软/硬约束分层清单）+ 21（权限/MCP 安全边界）
“项目不足 / 缺点”	06（待优化清单）+ 08（痛点分析）
“后续怎么演进”	07（扩展方向）+ 12（改造计划）
“评测怎么做的 / 数据呢”	09（评测体系）+ 10（评测结果）
“面试官质疑 / 追问”	11（25 个高频质疑应答）
“生成简历内容”	13（量化成果 + STAR 故事 + bullet points）
“代码结构 / 项目规模”	14（文件级工程地图）
“AI Agent 通用知识 / 八股 / 不限于本项目”	17（L1–L8 知识地图，全景入口）

文档索引#

#	文档	核心内容	面试场景
00	当前架构事实卡	长期基准：当前架构唯一权威事实源——三模式路径 / agentic 循环 / 结构化引用 / 已删组件清单 / SSE 协议 / 四刀状态；改架构后据此同步全部文档	”系统现在长什么样""改架构前对齐”
01	项目全景与架构设计	项目定位、业务场景、技术选型、整体架构、部署架构、数据库设计	”介绍项目""技术选型理由”
02	Agentic-RAG核心设计	真·LLM 工具调用 agentic 循环（AgenticSearchOrchestrator）+ 三模式路径（SELECTED_DOC / RULE_PLANNER / AGENTIC）、Supervisor-Worker 一次性兜底、工具调用、降级策略	”Agent 怎么设计的”
03	检索与排序链路	多路召回、RRF 融合、Cross-Encoder 重排、上下文压缩	”RAG 检索链路细节”
04	优化迭代记录	20 次优化的背景→方案→结果→面试话术	”遇到什么问题""怎么优化的”
05	工程化实践	安全体系、文档处理链路、Prompt 工程、前端架构、并发设计、缓存、SSE、可观测性、LLM 工程实践（稳定性/成本/质量/可观测性）	“工程化细节""安全怎么做""LLM 上线会出什么问题”
06	待优化清单	已识别优化方向和优先级	”还有什么不足”
07	项目深度扩展方向	GraphRAG、Plan-and-Execute、评估体系	”后续怎么演进”
08	RAG系统痛点分析	五层痛点审计 + 优化路线图	”RAG 有什么不足”
09	评测体系建设	离线评测框架设计、对照矩阵	”评测怎么做的”
10	评测结果与发现	52 条评测真实数据 + 6 个 war story + 反直觉发现	”数据是多少""意外发现”
11	面试高频质疑应答	7 类 33 个高频质疑逐条应答 + 追问预判	”为什么不用 X""公式写一下”
12	Agentic-RAG改造执行计划	4 Phase 10 Step 执行手册	”改造计划”
13	简历素材与STAR故事	量化成果总表 + 12 则 STAR 故事 + 简历 bullet points + 技术选型对照	简历编写
14	项目工程全景	139 Java 文件逐文件注解 + 数据库 schema + 配置参数 + Prompt 模板	”代码结构""项目规模”
15	RBAC权限系统升级方案	权限模型设计与升级路径	”权限怎么做的""多租户”
16	业务场景包装	业务落地场景与价值叙事	”解决什么业务问题”
17	AI-Agent通用知识地图	L1–L8 通用知识分层 + DocMind 落点索引，知识库入口	”AI Agent 八股""通用知识""任意层定位”
18	串行多跳检索与RAG链路生产加固	自研串行多跳（Self-Ask/MultiStep 受约束迭代）选型推理（已被 agentic 循环取代）+ 4 路工程加固（并发 data race / 丢证据 / 超时 / 缓存越权，已落地保留）+ 面试 Q&A	”能处理多跳吗""为什么不用 Plan-and-Execute""ReAct 怎么选""并发 mutate”
19	对标主流产品改造报告	对标 Anthropic / Glean / RAGFlow / Vertex / Claude-agentic-search 的调研与四刀（A/C/B/E + D）方案	”为什么这样改""对标主流”
20	对标主流改造·实现设计	四刀（结构化引用 / 删自反思 / agentic 循环 / 分类器瘦身）实现设计 + 文件级删除清单 + 实施状态（A/C/B/E 已落地，D 暂缓）	“改造怎么落地""实施状态”
21	权限系统对齐报告	对标 Glean / Azure / Vertex / MCP 2025 / OWASP LLM Top 10 的权限工程实践，检索层权限下推 / MCP 鉴权 / RBAC 接线缺口 + 优先级	”权限怎么做的""MCP 安全""检索层隔离”
22	Agent软硬约束分层清单	Prompt 软约束 vs 代码硬约束全量盘点（16+ 硬控 / 7 类软约束）+ 软硬双层防御 hybrid + 是否主流（对标 OWASP LLM06 / Anthropic / NeMo Guardrails）+ 诚实边界 + 面试 Q&A	”怎么约束 Agent""prompt 还是代码""guardrails 主流吗”

Claude Project 使用建议#

面试模拟#

在 Claude Project 的 system prompt 中写：

你是一名资深技术面试官。基于知识库中的 DocMind 项目文档，模拟一场 45 分钟的 Java 后端 / AI 应用技术面试。先让候选人介绍项目，然后逐步深入追问技术细节，最后挑战薄弱环节。对不充分的回答要追问，对好的回答要肯定。

简历生成#

在 Claude Project 中发送：

基于文档 13（简历素材与STAR故事），为 [目标职位] 生成简历中的项目经历部分。要求：3-5 条 bullet points，每条动词开头 + 技术 + 量化结果，总长度不超过 200 字。