docs(interview): refresh materials for single-agent harness narrative

Archive pre-refactor interview notes and add current deep-dives on architecture evolution, issue-derived stories, and evidence gates.
2026-07-24 18:14:49 +08:00
parent e47f2dead0
commit de5a5b09d9
18 changed files with 2622 additions and 57 deletions
@@ -0,0 +1,119 @@
+# RAG VectorStore 面试要点
+
+## 1. 60 秒讲法
+
+```text
+我把 RAG 检索从 Milvus SDK-only 重构为 Spring AI VectorStore 主路径，同时保留 SDK fallback。
+关键不是换了一个依赖，而是保留 VectorSearchService 作为边界，所以 lookup_knowledge 和 Agent workflow 不需要改。
+现在支持 auto、spring-ai、sdk 三种模式。auto 会优先尝试 VectorStore，失败后 fallback 到 SDK。
+```
+
+现场验证时，第一次发现 VectorStore 指向了错误 collection：`business_knowledge`，而实际 Zilliz collection 是 `biz`。fallback 生效，所以系统仍能通过 SDK 返回结果。修正 collection 后，同一个 query 成功走 Spring AI VectorStore。
+
+## 2. 架构回答
+
+```text
+Agent / API
+  -> lookup_knowledge or /api/search/similar
+      -> VectorSearchService
+          -> Spring AI VectorStore
+          -> Milvus SDK fallback
+              -> Milvus/Zilliz collection: biz
+```
+
+关键设计：`VectorSearchService` 是检索门面，避免 Spring AI 或 SDK 细节扩散到 Agent 工具层。
+
+## 3. 为什么保留 SDK
+
+- 迁移安全：原 SDK 路径已验证可用。
+- 运行韧性：VectorStore schema、filter 或配置失败时，检索仍可用。
+- Demo 稳定：检索抽象变化不应该破坏主诊断演示。
+
+这在实际验证中发挥了作用：VectorStore 配置错时，`auto` 模式 fallback 到 SDK，API 没有失败。
+
+## 4. 为什么引入 Spring AI VectorStore
+
+使用 `VectorStore` 可以让项目更接近标准 RAG 抽象：
+
+- 业务代码不再持有全部 Milvus search 细节。
+- 后续 QueryTransformer、DocumentPostProcessor、Retriever 等能力更容易接入。
+- 面试中也更容易解释和 Spring AI 生态的关系。
+
+但我没有一次性迁移写入，因为读写同时迁移会让问题难定位。当前先稳定读路径。
+
+## 5. 为什么保留 L0
+
+L0 现在不是最终答案来源，而是确定性 hint 层：
+
+- 提取 domain/entity。
+- 在可能时生成 category filter。
+- 给 trace 提供解释信号。
+
+当前职责：
+
+```text
+L0 = domain/entity hint
+L1 = semantic retrieval through VectorStore/SDK
+postprocess = evidence trace + relevance normalization
+```
+
+真实故障诊断里有很多精确标识，完全只靠向量检索并不稳。
+
+## 6. 为什么不用隐藏 Advisor
+
+`lookup_knowledge` 保持显式工具，因为：
+
+- Trace 要展示什么时候检索。
+- `tool_invocation` 要记录输入、输出预览、相关性和 metadata。
+- 面试故事是可审计 Agent 执行，而不只是答案质量。
+
+Advisor 后续可以接入，但需要先解决可观测性。
+
+## 7. 分数设计
+
+当前结果故意拆成：
+
+```text
+score      -> 兼容旧 relevance normalization 的分数
+rawScore   -> 当前检索实现原始分数
+scoreLabel -> rawScore 的语义
+```
+
+SDK：
+
+```text
+score = L2 distance
+rawScore = L2 distance
+scoreLabel = l2_distance
+```
+
+VectorStore：
+
+```text
+score = metadata.distance if present
+rawScore = Spring AI document score
+scoreLabel = similarity
+```
+
+这样避免把 similarity 当成 L2 distance 的隐蔽 bug。
+
+## 8. 如何证明 VectorStore 被使用
+
+- 日志出现 `Starting Spring AI VectorStore search` 和 `Spring AI VectorStore search complete`。
+- API 响应中 `scoreLabel=similarity`。
+- `rawScore` 是 Spring AI similarity，`score` 仍是兼容 distance。
+
+## 9. 常见追问
+
+### 为什么不删 SDK？
+
+这是迁移，不是重写。fallback 提供回滚安全，并且已经证明配置错误时仍能保证主链路可用。
+
+### `lookup_knowledge` 变了吗？
+
+外部契约没变。它仍然调用 `VectorSearchService.searchSimilarDocuments(...)`，变化在门面背后的实现。
+
+### 这是完整 Spring AI RAG 了吗？
+
+还不是。当前是 Spring AI VectorStore 读路径 + 显式工具 + 自定义 evidence trace + SDK 写入。这样做是为了保留审计能力和分阶段迁移安全。
+