假设你做的是“论文 / PDF 知识库问答 Agent”。：检索 PDF 片段；：根据 paper_id 查询论文元信息。

注：所有代码实践需遵循 PEP 规范，API 设计需符合 RESTful 原则，关键算法如 RAG 召回可记录时延指标。

你投的是 AI Agent / 大模型应用方向，重点不是做基础模型训练，但你仍然需要知道微调相关知识。

你投的是 AI Agent / 大模型应用方向，重点不是做基础模型训练，但你仍然需要知道微调相关知识。

面试时可以先用一句话介绍：我做了一个面向论文 / 文档知识库的 AI Assistant，它不是简单的 RAG 问答，而是基于 LangGraph 构建了一个可控的 Agent 流程：系统会先判断用户问题类型，知识类问题调用 RAG 检索工具，任务类问题调用外部工具，同时维护多轮对话状态，最后输出带引用来源的结构化答案，并记录工具调用过程和问题日志，方便调试与评估。下面这版可以直接背。我做的是一个

RAG 全称是：检索增强生成部分含义Retrieval检索，从外部知识库中找到和问题相关的内容增强生成，把检索到的内容作为上下文交给大模型生成答案用户问题 → 大模型 → 答案用户问题 → 检索知识库 → 得到相关文档片段 → 拼接上下文 → 大模型 → 答案 + 来源RAG 的核心思想是：让大模型在回答前先查资料，再基于资料回答。chunk 是文档被切分后的一个小文本片段。chunk 1：摘要部

Structured Outputs 的核心目标是：让模型输出严格符合你定义的结构，而不是只“看起来像 JSON”。这是非常关键的差别。核心结论风险点建议项优先级工具名工具描述参数 schema很多人学习 tool calling，只停留在“哦，模型能调函数”。你能不能把工具定义得清晰、稳定、可控。工具名清晰描述明确参数字段语义清楚枚举范围明确必填项明确禁止额外字段模型不知道什么时候该调用模型参数

HTTP（HyperText Transfer Protocol）是客户端和服务端之间进行数据通信的协议。所以 HTTP 是后端开发、FastAPI、模型 API 调用、RAG 服务封装的基础。处理复杂 JSON 数据时，通常使用 Pydantic 模型。通常用于 POST/PUT/PATCH，放较复杂的数据。默认情况下，Pydantic 会尝试做类型转换。这也是它非常适合做接口开发和调试的原因之

异常是程序运行时出现的错误。ValueErrorTypeErrorKeyErrorIndexError模块化就是把代码拆分成多个文件、多个模块，让结构更清晰。main.pyutils.pydb.pyservice.pyconfig.py降低复杂度方便维护方便复用方便多人协作typing是类型标注，用来提高代码可读性和可维护性。让代码更清晰让 IDE 更好提示让类型检查工具更好发现问题数据如何组织。

异常是程序运行时出现的错误。ValueErrorTypeErrorKeyErrorIndexError模块化就是把代码拆分成多个文件、多个模块，让结构更清晰。main.pyutils.pydb.pyservice.pyconfig.py降低复杂度方便维护方便复用方便多人协作typing是类型标注，用来提高代码可读性和可维护性。让代码更清晰让 IDE 更好提示让类型检查工具更好发现问题数据如何组织。