Files

T

zhuyongxin de5a5b09d9 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

3.8 KiB

Raw Blame History

RAG VectorStore 面试要点

1. 60 秒讲法

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

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：

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：

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：

score = L2 distance
rawScore = L2 distance
scoreLabel = l2_distance

VectorStore：

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。

3.8 KiB Raw Blame History Unescape Escape