面试准备指南

数字与细节一律以正文各篇为源：《架构总览》的模型与并发预算、《运维与验收》的测试分层。这里只给话术与问题索引。

1. 自我介绍

30 秒版：

我做的是一套单机自部署的多租户知识库：办公文档、聊天记录、照片进同一个库，切块建四路索引——语义向量、BM25、Postgres 子串、页级视觉，检索结果每条都能点回原文的页和框。默认生成是抽取式，原文不出本机；要接外部大模型必须显式配置，失败自动退回抽取式。

2 分钟版：

这个项目的核心问题是「找到」和「指回去」，不是「答案写得多漂亮」。

索引侧是四条腿：语义向量、BM25 关键词、Postgres 子串、页图视觉。四条腿分数不可比，用 RRF 只按名次融合；融合后按 query 意图调整各腿权重，再做按库启用的精排。视觉腿单独一个进程——它常驻两个多 GB 的模型、编码一页十几秒，放进 API 进程会把问答请求排到编码后面。

引用侧靠坐标：每个 chunk 记录自己在第几页的哪个框，坐标归一化存储，前端乘回页图像素画框。扫描件没有文本层，整页走视觉索引，回页图。

数据侧 Postgres 是唯一真相，Qdrant 可重建；点是内容寻址的，(库, 文档, 第几块) 哈希出稳定 ID，三条腿天然对齐、重建不换号。

工程侧三件事：任务队列用 Postgres 表（同库外键随文档清理）；巡检有三态，跳过不算健康；备份只备事实（Postgres + blobs），索引靠重建加点数对账兜底。

2. 三条链路，各一句话

链路	一句话	详见
写入	上传校验 → 内容寻址 → ingest 任务 → 解析 → 切分 → 嵌入 → 写三腿 → 视觉任务 → ready	《文档摄取》
读取	四条腿并发 → RRF → 软删过滤 → 路由偏好 → 精排 → 证据组装 → 生成 → 引用校验	《检索与问答》
对外	HTTP / MCP / A2A 三个入口，共用同一检索内核	《对外接口》

3. 高频追问

追问	一句话答	详见
为什么用 RRF，不做加权求和？	四条腿分数量纲不同（余弦 0.2~0.9、BM25 可到 40+），加权让数值大的腿说了算	《小白概念指南》§4.1
BM25 的 k1 和 b 各管什么？	k1 管词频饱和（调到 0 退化成二值模型），b 管长度归一化（1 时得分完全由块长决定）	《小白概念指南》§2.3
RRF 的 k 为什么取 60？	相邻名次贡献只差 1.6%，奖励多腿共识而非单腿头部	《小白概念指南》§4.2
向量检索用什么索引？	HNSW，efSearch 换召回率；召回率拿精确检索的 top-k 对拍	《小白概念指南》§3.2
ColBERT 多向量的代价？	每 token 一个向量，存储与打分按 token 数放大，只对页级对象建索引	《小白概念指南》§6
精排能把召回漏掉的救回来吗？	不能，真值不在候选集里就无从重排	《小白概念指南》§5
点 ID 撞了怎么办？	2^63 空间百万级碰撞 10^-7 量级；十亿级换 UUID 或冲突加盐	《小白概念指南》§7.3
混合检索怎么调权重？	不在融合层调，在路由层按意图换权重；photo 类的 3.0 是实测出的最小值	《检索与问答》§4
精排为什么按库启用、跨库不启用？	否则跨库排序取决于「哪些库碰巧配了模型」	《检索与问答》§5
视觉腿为什么独立进程？	常驻内存 2.65GB、单页编码 15s、6 路并发吃 8.7 核	《架构总览》§1
多 worker 时视觉模型怎么放？	写侧走视觉服务（VISUAL_WRITE_VIA_SERVICE=true），否则每个 worker 各背一份	《架构总览》§5
为什么每条 DB 腿各拿一个会话？	同一 AsyncSession 并发 execute 直接抛错，会静默退化成 dense 单腿	《检索与问答》§2
点 ID 为什么是哈希？	自增号随重建漂移，外部引用错位；三腿还要维护映射表	《架构总览》§3.1
页级点怎么和块级点分开？	页级 chunk_index 传 -(page_no+1) 恒为负，且加一避免第 0 页撞号	《架构总览》§3.1
删除为什么分两步？	软删保回收站与引用，30 天后才走六步物理清理	《数据与一致性》§4
删除链漏一步会怎样？	都不报错：df 只加不减、点删不掉、文件留下——都是静默劣化	《数据与一致性》§4.3
对账为什么分腿比、不能并集？	并集会把「只有一条腿坏了」报成一致，而那正是真实故障	《数据与一致性》§5
对账为什么不自动删？	摄取提交前那一瞬「点在行不在」是正常中间态，自动删会删掉正在写的点	《数据与一致性》§5
任务为什么不用 Redis？	任务与业务同库，外键随文档清掉待办；规模几百条任务，无需另起队列	《运维与验收》§1
巡检为什么有三态？	「没验过」不等于「通过」，跳过的项报告里标 ?，退出码按有问题算	《运维与验收》§3
权限怎么保证不越权？	判定只在 auth.py 一个文件；检索只按 kb_id 过滤，范围来自 readable_kb_ids；AST 扫描 + key 白名单守卫	《多租户与权限》§3、§7
为什么不存在与无权限同码？	区分开就给了攻击者探测资源存在性的信号	《多租户与权限》§4
MCP 为什么无状态？	鉴权每请求自带，没有会话状态可维持	《对外接口》§3
扫描件怎么检索？	不 OCR，整页建 colSmol 视觉向量，引用回页图	《文档摄取》§6
抽取式和外部 LLM 怎么取舍？	默认抽取式零外传；接外部模型要三项配置齐全才生效，失败降级并写原因	《检索与问答》§6-§7
20 人团队能直接上线吗？	不能：无 RBAC、视觉无鉴权、本地盘存储，都是显式不做	《导读》

4. 必须讲清楚的八个判断

答不出「为什么是它、不是替代方案」，前面所有链路就只是背流程。对照表在《架构总览》§7：

1. 任务用 Postgres 表，不是 Redis 或消息队列
2. 三个进程分开，不是全塞进 API
3. 点 ID 是三元组哈希，不是自增序号
4. 融合用 RRF，不是分数加权
5. dense 用 512 维 small 模型，不是 base / large
6. 精排按库启用，不是全局默认
7. 软删 + 30 天，不是直接物理删除
8. pgvector 装了但向量进 Qdrant

5. 「怎么保证」的落点是守卫

被问深时要答守卫，不是「我注意过」：

问题	答什么
怎么保证没越权？	三档真值表测试逐格比对；AST 扫描检索层无可见性判定；Qdrant 过滤 key 白名单
怎么保证检索没退化？	每腿返回 n / ms / skipped，skipped 与零命中分开；证据质量三档
怎么保证索引没漂？	三腿分开对账（只报告不自动删）；巡检 + worker 空闲定期跑
怎么保证接口没弄坏？	契约检查对「声明 / 实现 / 决议不做」三个数，另有文档指向守卫
怎么保证能恢复？	备份后立即自检；恢复先进临时库逐表对账、逐个校验 blob sha256
怎么保证重试不无限？	attempts 上限 3；明确声明不可重试的异常第一次就终态

6. 面试前自查

必须能讲清楚

• 四条腿各擅长什么。hybrid 默认跑哪几条
• BM25 公式，k1 / b 的方向性影响
• RRF 只用名次的原因。k 在调什么
• 一个 chunk 从上传到可检索的完整步骤
• L3 引用框怎么画出来（归一化 bbox → 前端乘像素）
• 点 ID 为什么可重算。页级点怎么与块级点分开
• Postgres 与 Qdrant 谁是真相。Qdrant 丢了怎么办
• 删一份文档动哪些东西。漏一步的后果
• 三档可见性里读写差的那一格

必须能回答

• 「和普通 RAG 有什么不一样？」（L3 引用、四路召回、可解释降级）
• 「检索不准先看什么？」（/search/debug 每腿 skipped）
• 「并发上来先调什么？」（连接池、视觉并发、worker 数）
• 「为什么不用托管向量库？」（默认原文不出本机）
• 「最大的取舍是什么？」（可核验不外传 vs 归纳质量）
• 「哪里没做完？」（《导读》已知限制逐条说得出口）

7. 简历描述

单机自部署多租户知识库：语义 / BM25 / 子串 / 页级视觉四路召回经 RRF 融合与按意图路由的权重，检索结果带块级坐标，可点回 PDF 或扫描页原始位置；Postgres 为唯一真相，内容寻址的点 ID 可无损重建索引；1335 项 pytest 与 82 端点契约对账作为交付门禁。

版面紧张时的三条短句版：

• 混合检索：四条腿 + RRF + 意图路由 + 按库精排。腿级 skipped 与零命中分开，降级可观测。
• 引用溯源：chunk 存归一化 bbox，前端乘页图像素画框。扫描件走视觉索引。
• 一致性：内容寻址点 ID 重建不换号。三腿分开对账。备份只备事实，恢复后按点数对账。

---

上一章: 运维与验收