FAQ
精选问答
以下答案经过审核，可直接阅读；也可向 AI 分身追问更多细节。
你的求职方向是什么？
AI Agent 运行时 / RAG 知识库工程 / 偏 AI 应用的后端方向。专注可审计、可降级的智能问答系统，关注 Agent Workflow 与 Context Engineering。
完整简历在哪里下载？
本站不提供简历 PDF 下载。请在 Boss 直聘查看并下载完整简历；本站侧重项目证据与 AI 可追问分身。
AI 分身的回答可信吗？
AI 只基于人工审核且标记为可公开的资料回答；资料不足会明确拒答，不编造个人事实。
三个项目各有什么亮点？
NovaMind（v3.0.0）：
- 自研状态机替代 LangGraph、五钩子横切中间件、五层长期记忆
- 三组件零信任沙箱、三层技能自进化（37 内置技能）、多 Agent 委派
- LLM 链式降级、CLI + 桌面 GUI + doctor 架构体检
- 常规测试 726 passed（覆盖率 82.9%）
Notebook：
- Adaptive-RAG 6 类路由 + CRAG 修正循环 + Evidence Grader 4 级置信度
- LLM-as-judge 4 维评分、Cross-Encoder 重排、检索参数运行时热更新
- IR 标准指标评测（Recall@K / MRR / 四阶段归因）、SSE 流式 + 检索链路可视化
- 后端 1096 passed（覆盖率 86.4%）
Olist 问数 Agent：
- 确定性优先：查数、统计检验、三目标归因走确定性代码，规则解析不了才 fallback 到 LLM ReAct
- 语义字典锁定指标口径，每个回答附源 SQL 可对账
- 模型评测 129/129，确定性核验 117/117
NovaMind 项目的核心架构是什么？
核心是自研异步状态机引擎（有向图 + 条件路由 + 防死循环），围绕它有六块可独立验证的设计：
- 五钩子横切中间件：承载记忆召回 / 技能注入 / 沙箱生命周期 / 上下文治理，加功能不动核心循环
- 五层长期记忆：衰减懒计算 + BM25 检索强化写回 + 后台非阻塞沉淀
- 三组件沙箱：Runtime / PathTranslator / SecurityGuard，Local 零信任 + Docker 挂载区
- LLM 链式降级：只切瞬时错误（超时 / 限流 / 5xx），鉴权错误不降级
- P0-P5 上下文分段治理 + token 预算穿透降级链
- 可观测：优先级审计日志 + Token 成本追踪 + doctor 架构体检
常规测试 726 passed（覆盖率 82.9%）。
Notebook 项目的 Agentic RAG 流水线如何工作？
完整流程分九步：
- 输入安全校验：用户 / 空间校验 + Prompt Injection 清洗
- Adaptive-RAG 6 类路由：按查询类型映射检索策略
- 混合检索：向量 + BM25，配合 HyDE 假设文档生成
- Cross-Encoder 重排：候选集扩大 3 倍后精排
- Evidence Grader：4 级置信度评分（0.7 × 相关性 + 0.3 × 覆盖率）
- CRAG 修正：置信度为「无」时改写查询 + 扩大召回，最多 2 轮
- 回答生成：带 [n] 引用，附 LLM-as-judge 4 维质检
- 索引：Celery 异步处理 + 定时补偿
- 可调优：检索参数 8 项运行时热更新，IR 评测四阶段归因定位弱项
后端 1096 passed（覆盖率 86.4%）。
你如何处理不同 LLM Provider 的 API 差异？
三个项目都做了模型接入的工程化：
- NovaMind：ModelRouter + FallbackChatModel 多 provider 链式降级——只切瞬时错误（超时 / 限流 / 5xx），鉴权错误不降级防密钥泄露，默认 provider 恒在链尾兜底
- Notebook：多模型统一接口（Ollama / DashScope / OpenAI 兼容 / Anthropic），前端可传入动态模型配置
- Olist 问数 Agent：DeepSeek 只做 ReAct 兜底，主路是确定性代码、不依赖模型
模型不可用时自动降级：NovaMind 降级到资料摘录，Notebook 降级到关键词搜索，Olist 规则层不受影响。