Q1. 【你如何定位 LlamaIndex？它解决的核心问题是什么？】
面试官为什么问这个问题：
这个问题不是在考 API，而是在判断候选人是否真正理解 LlamaIndex 的核心定位。如果候选人把它等同于”另一个 RAG 框架”，通常意味着对数据层的理解是缺失的。
参考口语化回答：
我一直把 LlamaIndex 当成一个”数据到推理的中间层框架”，而不是模型框架。它解决的不是”怎么问模型”，而是”业务里的数据，怎么被结构化、索引化，最终变成模型可以稳定推理的对象”。
在真实项目里，模型可以随时替换，但数据一旦没治理好，RAG 和 Agent 的行为就会非常不稳定，这也是我认为 LlamaIndex 的核心价值所在。
Q2. 【在 Agent 架构中，LlamaIndex 和 LangChain 的职责边界你是怎么划分的？】
面试官为什么问这个问题：
面试官希望区分”工具拼装型选手”和”系统设计型选手”。如果候选人说不清两者的边界，往往意味着只是跟着教程跑 Demo。
参考口语化回答：
我一般把 LlamaIndex 放在”数据与知识层”，LangChain 放在”推理与流程编排层”。
LlamaIndex 负责的是数据的抽象、索引、检索和可追溯性，而 LangChain 更适合做 Agent 的行为编排、工具调用和多步推理。
如果把数据检索也交给 LangChain 直接处理，系统一复杂，后面几乎没法治理。
Q3. 【你如何理解 Document、Node、Index 这三个抽象在工程上的意义？】
面试官为什么问这个问题：
这是判断候选人是否真正”用过索引体系”的关键问题。很多人只知道 Document，却说不清 Node 和 Index 的工程含义。
参考口语化回答：
在我看来，Document 是原始业务数据的载体，Node 是”可被推理的最小知识单元”，而 Index 是对 Node 的组织和访问策略。
如果 Node 切得不好，模型上下文就会失真；如果 Index 设计不合理，Agent 的行为会非常随机。这三个抽象，直接决定了 RAG 的稳定性。
Q4. 【为什么你认为 RAG 的核心问题不是”选哪个向量库”？】
面试官为什么问这个问题：
这是一个典型的”筛初级选手”的问题。只关注向量库的候选人，通常忽略了数据治理。
参考口语化回答：
向量库只是存储和相似度计算工具，本身并不解决数据质量问题。
我见过很多项目，向量库性能很好，但因为文档版本混乱、Chunk 设计不合理，最终生成的答案依然不可用。
真正决定 RAG 成败的，是数据是否被正确建模和索引。
Q5. 【你如何理解”LlamaIndex 的核心价值是把数据变成可推理对象”？】
面试官为什么问这个问题：
这是对候选人抽象能力的考察，看他是否能从工程层面总结 LlamaIndex 的价值。
参考口语化回答：
在没有 LlamaIndex 之前，数据只是”被喂给模型的上下文”。
而通过 Node、Index、Metadata 这些抽象，数据变成了”可以被控制、过滤、解释的推理对象”，Agent 的行为才第一次变得可管理。
第二层：核心技术能力（How）【8 题】
Q6. 【在什么场景下你会选择 Vector Index，而不是其他类型的 Index？】
面试官为什么问这个问题：
考察候选人是否理解不同 Index 的适用边界，而不是一味使用向量索引。
参考口语化回答：
Vector Index 适合”语义相似度”主导的问题，比如知识问答、经验类文档检索。
但如果是结构化决策或强逻辑场景，我通常会结合 Tree 或 Summary Index，否则模型很容易在语义相似但逻辑错误的内容上发挥。
Q7. 【Chunk 策略在你做过的项目中，对结果质量产生过哪些直接影响？】
面试官为什么问这个问题：
Chunk 是 RAG 中最容易被忽视、但影响最大的环节之一。
参考口语化回答：
Chunk 过大时，模型容易抓不到重点；过小时，语义被切碎，引用经常失真。
我在一个企业文档项目里，单是调整 Chunk 策略，就把错误引用率降低了接近一半。
Q8. 【你如何设计 Node 的 Metadata，来约束 Agent 的行为？】
面试官为什么问这个问题：
这是区分”会检索”和”会治理 Agent 行为”的关键问题。
参考口语化回答：
我会在 Node 里明确标注来源、版本、生效时间、业务域等信息。
Agent 在检索时不是”随便拿内容”，而是通过 Metadata 过滤掉不符合当前决策上下文的数据，这一点在金融和医疗场景非常关键。
Q9. 【Query Engine 和 Retriever 在你理解中，各自解决什么问题？】
面试官为什么问这个问题：
考察候选人是否理解 LlamaIndex 内部的职责分层。
参考口语化回答：
Retriever 负责”我能拿到哪些候选知识”，Query Engine 负责”这些知识怎么被组织成答案”。
如果把这两层混在一起，后续调优和问题定位会非常困难。
Q10. 【你是如何在 LlamaIndex 中做多阶段召回或过滤的？】
面试官为什么问这个问题：
这是在判断候选人是否做过复杂 RAG 场景。
参考口语化回答：
我通常先用粗粒度召回保证覆盖率，再通过 Metadata 和重排序模型做二次过滤。
这样 Agent 的回答既不会漏关键信息，也能减少噪声带来的幻觉。
Q11. 【LlamaIndex 在 Agent 中通常承担什么角色？】
面试官为什么问这个问题：
考察候选人是否真正做过”知识型 Agent”。
参考口语化回答：
在 Agent 体系里，LlamaIndex 更像是”可查询的长期记忆”。
Agent 的决策是否靠谱，很大程度上取决于它访问的这层知识是否稳定、可解释。
Q12. 【你如何处理数据更新带来的索引一致性问题？】
面试官为什么问这个问题：
这是一个典型的工程问题，很多 Demo 项目从未考虑。
参考口语化回答：
我一般会把数据更新和索引构建解耦，通过版本化索引来保证查询一致性。
否则一旦线上数据频繁变更，Agent 的行为会出现非常难定位的漂移。
Q13. 【在你的经验里，索引设计失误会带来哪些真实后果？】
面试官为什么问这个问题：
面试官希望听到”踩过坑”的真实经验。
参考口语化回答：
最直接的后果就是答案不稳定、引用错误，严重时会影响业务决策。
我见过因为索引设计问题，Agent 给出过期政策解释，差点引发合规风险。
第三层：工程化与系统能力【8 题】
Q14. 【你如何在索引构建成本和查询性能之间做权衡？】
面试官为什么问这个问题：
这是系统上线后必然要面对的问题。
参考口语化回答：
我会根据业务查询频率和数据变更频率做分层索引。
高频查询的索引提前构建，低频或实验性数据采用按需构建，避免无谓的成本浪费。
Q15. 【多索引、多数据源的情况下，你是如何组织和治理的？】
面试官为什么问这个问题：
考察候选人的系统设计能力。
参考口语化回答：
我会按照业务域拆分索引，并在上层通过统一的检索接口聚合。
这样每个索引都有清晰的责任边界，问题定位也更容易。
Q16. 【索引失效时，你如何设计回滚或降级策略？】
面试官为什么问这个问题：
这是典型的生产环境问题。
参考口语化回答：
我会保留历史索引版本，一旦新索引出现异常，可以快速切回。
同时在 Agent 层设置兜底逻辑，避免直接输出不可控结果。
Q17. 【你是如何治理幻觉和错误引用问题的？】
面试官为什么问这个问题：
这是所有 RAG 系统绕不开的问题。
参考口语化回答：
我不会只靠 Prompt，而是通过索引层限制可用数据范围，并强制返回引用来源。
当答案无法追溯时，我宁愿让 Agent 选择”不确定”。
Q18. 【LlamaIndex 在服务化部署中通常以什么形式存在？】
面试官为什么问这个问题：
判断候选人是否有完整上线经验。
参考口语化回答：
我一般会把 LlamaIndex 封装成独立的检索服务，通过 API 对 Agent 提供能力。
这样索引层和推理层解耦，维护成本会低很多。
Q19. 【你如何设计日志和 Tracing，来保证答案可追溯？】
面试官为什么问这个问题：
这是企业级系统非常看重的一点。
参考口语化回答：
我会记录检索到的 Node、Index 版本和最终使用的上下文。
一旦出现问题，可以快速复盘 Agent 当时”看到了什么数据”。
Q20. 【当 Agent 输出不符合预期时，你通常如何定位问题？】
面试官为什么问这个问题：
考察候选人的排障思路。
参考口语化回答：
我会先排查数据和索引，再看模型和 Prompt。
大多数情况下，问题出在数据质量或索引设计，而不是模型本身。
Q21. 【你如何评估一个 LlamaIndex RAG 系统是否”稳定可用”？】
面试官为什么问这个问题：
这是判断候选人是否具备工程视角的重要问题。
参考口语化回答：
我更关注一致性和可解释性，而不仅是命中率。
只要系统能稳定给出可追溯的答案，即使偶尔回答”无法确定”，也是可接受的。
第四层：真实项目与业务场景能力【6 题】
Q22. 【你在真实业务中用 LlamaIndex 解决过哪些”知识问题”？】
面试官为什么问这个问题：
这是验证候选人是否真正做过项目。
参考口语化回答：
我主要用它解决过企业内部知识检索和合规问答问题。
核心不是”回答快”，而是”回答对、能追责”。
Q23. 【在医疗或金融场景中，你对索引设计有哪些额外约束？】
面试官为什么问这个问题：
考察候选人对行业差异的理解。
参考口语化回答：
这些场景我会特别强调来源权威性和版本控制。
宁可少答，也不能用错数据。
Q24. 【你如何判断 RAG 效果差是模型问题还是数据问题？】
面试官为什么问这个问题：
这是非常典型的面试博弈点。
参考口语化回答：
我会先固定模型，反复验证检索结果。
如果检索内容本身就不对，换模型也解决不了问题。
Q25. 【在企业内部文档杂乱的情况下，你如何逐步提升 RAG 质量？】
面试官为什么问这个问题：
考察候选人的实际落地能力。
参考口语化回答：
我会先做数据分级，把高价值文档优先治理。
一步到位基本不现实，关键是建立可持续的治理机制。
Q26. 【你是如何降低幻觉带来的业务风险的？】
面试官为什么问这个问题：
这是企业非常关心的问题。
参考口语化回答：
我会通过索引约束、引用校验和人工兜底机制多层防护。
Agent 的目标不是”看起来聪明”，而是”不会出大错”。
Q27. 【你如何向业务方解释：这是数据问题，而不是模型问题？】
面试官为什么问这个问题：
考察候选人的沟通能力。
参考口语化回答：
我通常会用可追溯的检索结果给业务方看，让他们理解 Agent 依赖的数据本身存在缺陷。
一旦业务理解”数据才是核心资产”，合作会顺畅很多。
第五层：进阶与加分项（架构 / 视野）【3 题】
Q28. 【你如何在多 Agent 架构中做知识分工？】
面试官为什么问这个问题：
这是区分高级候选人的关键问题。
参考口语化回答：
我会为不同 Agent 绑定不同索引域。
每个 Agent 只访问自己”负责的知识”，整体行为会更可控。
Q29. 【你如何看待 LlamaIndex 与 LangGraph 的结合点？】
面试官为什么问这个问题：
考察候选人对复杂流程的理解。
参考口语化回答：
LlamaIndex 负责”我知道什么”，LangGraph 负责”我下一步怎么走”。
两者结合后，Agent 才真正具备工程级可控性。
Q30. 【从单一 RAG 项目到企业知识平台，你认为演进的关键是什么？】
面试官为什么问这个问题：
这是判断候选人”潜力上限”的问题。
参考口语化回答：
关键不在模型升级，而在数据治理体系是否建立。
一旦数据和索引可持续演进，Agent 能力只是自然结果。
第一层：基础认知（Why / What）【5 题】
Q31. 【你如何向新人解释：为什么 LlamaIndex 是”数据框架”，而不是”RAG 工具集”？】
面试官为什么问这个问题：
这是在考察候选人是否具备”向下解释”的能力。真正理解数据框架定位的人，才能讲清楚为什么 LlamaIndex 不等同于某几个 API 的组合。
参考口语化回答：
我一般不会从”能做什么”讲，而是从”为什么需要它”讲。
在真实业务里，数据来源杂、生命周期长，光靠 RAG 流程根本管不住。LlamaIndex 提供的是一整套数据抽象、索引和检索机制，让数据在工程上是可管理、可演进的，而不是一次性喂给模型。
Q32. 【如果不用 LlamaIndex，你认为 RAG 系统最容易失控的点在哪里？】
面试官为什么问这个问题：
这个问题在考察候选人是否经历过”没有数据框架支撑的 RAG 混乱期”。
参考口语化回答：
最容易失控的是”数据到底从哪来、现在用的是哪一版”。
一旦业务复杂起来，没有 Index 和 Node 这些抽象，大家只能靠约定和注释，最后 Agent 输出的问题根本没法追溯。
Q33. 【你如何理解 LlamaIndex 中”索引”与传统数据库索引的差异？】
面试官为什么问这个问题：
考察候选人是否能把 AI 系统和传统工程经验联系起来，而不是孤立理解。
参考口语化回答：
数据库索引解决的是”怎么更快查数据”，而 LlamaIndex 的索引解决的是”模型该看哪些数据、以什么结构看”。
它关注的是推理质量和上下文组织，而不仅是性能。
Q34. 【你是否遇到过”不建索引也能跑，但结果越来越差”的情况？】
面试官为什么问这个问题：
这是一个典型的经验型问题，用来判断候选人是否真正踩过坑。
参考口语化回答：
遇到过，而且一开始很难察觉。
系统还能跑，但回答开始前后矛盾、引用混乱，最后发现是数据堆在一起没有索引分层，Agent 实际是在”随机翻资料”。
Q35. 【在你看来，什么情况下”不该上 RAG / LlamaIndex”？】
面试官为什么问这个问题：
考察候选人是否具备边界意识，而不是”技术万能论”。
参考口语化回答：
如果数据规模小、变更少、逻辑强规则化，其实没必要上 RAG。
LlamaIndex 适合的是”知识复杂且长期演进”的场景，不是所有问题都需要。
第二层：核心技术能力（How）【8 题】
Q36. 【你在什么情况下会避免使用纯 Vector 检索？】
面试官为什么问这个问题：
用来区分”只会语义相似度”的候选人。
参考口语化回答：
当业务对逻辑顺序、章节结构或结论一致性要求很高时，我会避免只用 Vector。
因为语义相似不代表业务正确，这时候需要 Tree 或结构化索引辅助。
Q37. 【Node 设计不合理，通常会在 Agent 行为上体现为哪些问题？】
面试官为什么问这个问题：
这是一个从”数据设计”反推”Agent 行为”的问题。
参考口语化回答：
最常见的是回答跳跃、上下文断裂，甚至前后自相矛盾。
本质上不是模型胡说，而是 Node 本身就不具备完整语义。
Q38. 【你如何控制一次 Query 中，Node 被选中的”上限与下限”？】
面试官为什么问这个问题：
考察候选人是否真正调过 Query Engine，而不是默认参数一路跑。
参考口语化回答：
我会明确控制 Top-K，同时结合 Metadata 做硬过滤。
否则要么信息不足，要么上下文溢出，Agent 的稳定性会明显下降。
Q39. 【你如何理解 LlamaIndex 中”可组合检索策略”的价值？】
面试官为什么问这个问题：
这是在考察候选人对复杂检索场景的理解。
参考口语化回答：
真实业务的问题往往不是单一维度的。
通过组合检索策略，可以先保证覆盖，再逐步收敛，让 Agent 的决策更稳。
Q40. 【你是否做过”索引级别”的 A/B 测试？怎么做的？】
面试官为什么问这个问题：
这是中高级工程师才会考虑的问题。
参考口语化回答：
做过，我会并行维护两套索引结构，让同一问题走不同索引路径。
通过对比引用准确率和人工反馈，判断哪种索引更适合当前业务。
Q41. 【你如何在 LlamaIndex 中处理”强时效性数据”？】
面试官为什么问这个问题：
考察候选人是否考虑过数据生命周期。
参考口语化回答：
我通常会把时效性数据单独建索引，并设置明确的失效策略。
避免旧数据被模型当成”长期事实”。
Q42. 【当数据量持续增长时，你如何避免索引无限膨胀？】
面试官为什么问这个问题：
这是典型的长期运行系统问题。
参考口语化回答：
我会定期做索引裁剪和冷热分层。
不是所有历史数据都值得被模型频繁访问。
Q43. 【你是否在 LlamaIndex 中用过非文本数据？如何处理的？】
面试官为什么问这个问题：
考察候选人的数据视野是否局限在”文档问答”。
参考口语化回答：
用过结构化数据和 API 返回结果。
关键是先把它们转成语义清晰、可追溯的 Node，而不是直接拼字符串。
第三层：工程化与系统能力【8 题】
Q44. 【你如何评估一次索引重建是否”值得”？】
面试官为什么问这个问题：
这是典型的成本与收益权衡问题。
参考口语化回答：
我会结合数据变更幅度、当前错误率和业务风险来判断。
不是数据一变就重建，而是看是否真的影响决策质量。
Q45. 【多团队共用一套索引体系时，你如何避免”互相污染”？】
面试官为什么问这个问题：
考察候选人是否经历过多人协作场景。
参考口语化回答：
我会通过业务域隔离索引，并限制跨域访问。
否则一个团队的数据问题，很容易拖垮整个 Agent 系统。
Q46. 【你如何在生产环境中验证索引的”健康状态”？】
面试官为什么问这个问题：
这是偏 SRE 视角的问题。
参考口语化回答：
我会关注检索命中率、引用一致性和人工反馈。
如果这些指标异常，往往意味着索引已经偏离业务现实。
Q47. 【你是否遇到过索引正确，但答案仍然不可用的情况？】
面试官为什么问这个问题：
这是为了看候选人是否能区分不同层次的问题。
参考口语化回答：
遇到过，通常是 Query 组织或 Prompt 问题。
但前提是索引足够干净，否则根本无法判断问题在哪一层。
Q48. 【你如何设计”只读索引”与”可写索引”的边界？】
面试官为什么问这个问题：
考察候选人的系统治理意识。
参考口语化回答：
核心知识索引我通常设为只读，更新走严格流程。
动态数据才允许频繁写入，避免核心知识被无意污染。
Q49. 【当索引规模很大时，你如何保证 API 响应稳定？】
面试官为什么问这个问题：
这是生产环境的现实问题。
参考口语化回答：
我会做缓存、限流，并提前做结果预计算。
Agent 的稳定性，离不开底层检索服务的稳定性。
Q50. 【你如何在日志中区分”模型错误”和”索引错误”？】
面试官为什么问这个问题：
考察候选人的排障能力。
参考口语化回答：
我会把检索结果完整记录下来。
如果检索本身就错，那就是索引问题；否则才考虑模型和 Prompt。
Q51. 【你是否做过索引层面的权限控制？为什么要做？】
面试官为什么问这个问题：
这是企业级系统经常遇到的问题。
参考口语化回答：
做过，不同角色只能访问不同索引。
否则 Agent 可能在不该看到的数据上做决策，风险非常高。
第四层：真实项目与业务场景能力【6 题】
Q52. 【你是否经历过”业务不信任 Agent”的阶段？如何解决的？】
面试官为什么问这个问题：
考察候选人的真实落地经验。
参考口语化回答：
经历过，关键不是换模型，而是让答案可追溯。
一旦业务能看到数据来源，信任度会上升很多。
Q53. 【在数据质量很差的前提下，你如何”阶段性上线”RAG？】
面试官为什么问这个问题：
这是现实中非常常见的问题。
参考口语化回答：
我会先限定数据范围，只覆盖高质量子集。
与其全面但不准，不如小而稳。
Q54. 【你如何评估”这个 Agent 是否真的在用知识，而不是在猜”？】
面试官为什么问这个问题：
这是非常关键的判断能力。
参考口语化回答：
我会重点看引用内容是否与问题强相关。
如果引用牵强，说明 Agent 实际是在模型自由发挥。
Q55. 【在合规要求很高的场景，你如何限制 Agent 的回答边界？】
面试官为什么问这个问题：
考察候选人对风险的认知。
参考口语化回答：
我会通过索引层直接限制可用数据。
不在索引里的内容，Agent 根本接触不到。
Q56. 【你是否遇到过”业务问题变化快于索引更新”的情况？】
面试官为什么问这个问题：
这是非常真实的业务场景。
参考口语化回答：
遇到过，所以我会设计快速补丁索引。
先保证正确性，再逐步完善整体结构。
Q57. 【你如何判断一个 RAG 项目”已经到上限了”？】
面试官为什么问这个问题：
考察候选人的成熟度。
参考口语化回答：
当继续调模型和 Prompt 收益很低时，通常说明数据和索引已经是瓶颈。
这时候再不治理数据，只会原地打转。
第五层：进阶与加分项（架构 / 视野）【3 题】
Q58. 【你如何看待”知识即基础设施”这件事？】
面试官为什么问这个问题：
这是偏架构和视野的问题。
参考口语化回答：
在复杂企业里，知识本身就是基础设施。
LlamaIndex 提供的是让这套基础设施可演进的能力。
Q59. 【你认为未来 Data-centric Agent 的核心竞争力是什么？】
面试官为什么问这个问题：
用来判断候选人的长期潜力。
参考口语化回答：
不是模型多强，而是谁的数据治理能力更成熟。
Agent 只是数据能力的外在表现。
Q60. 【如果让你从零设计一个企业级知识 Agent，你最先做什么？】
面试官为什么问这个问题：
这是典型的”架构思维”问题。
参考口语化回答：
我会先梳理数据资产和索引边界，而不是选模型。
因为一旦数据结构定错，后面所有 Agent 能力都会受限。