RAG 到底能干嘛：让模型先查资料，再回答
大模型本身会聊天，但它不知道你的简历、你的项目、公司的制度、某个岗位的最新 JD。 RAG 的核心就是：先把外部资料检索出来，再让模型基于这些资料回答。
所以它特别适合企业 FAQ、内部知识库、客服助手、岗位资料问答，也适合新手做一个个人知识库项目。 这类项目不一定炫，但很贴近真实业务，面试官容易理解。
RAG 的价值不是“让 AI 更聪明”，而是让 AI 回答时有来源、有边界、有可追溯的资料。
为什么我建议从“面试 Agent”入手
如果你没有企业数据，那就先用你自己的数据。把你的背景、实习经历、技能、项目、作品链接整理成文档， 存进知识库，然后做一个可以回答“你是谁、做过什么、为什么适合这个岗位”的面试 Agent。
这个项目有两个好处。第一，它解决了一个真实痛点：简历太薄，面试官没有耐心读完你所有经历。 第二，它天然适合展示：你可以把链接放进简历里，让对方直接和你的 Agent 对话。
简历、项目说明、经历复盘、岗位 JD、常见面试问答。
把问题转成向量，从资料库里找最相关的片段。
让模型基于检索结果回答，并带上来源或依据。
做成网页对话框，给面试官一个比简历更立体的入口。
一个合格的 RAG 项目应该长什么样
新手不要一开始就追求复杂框架。一个可展示的 RAG 项目，最重要的是链路完整。 它至少应该包含资料整理、文档切分、向量检索、模型回答、来源展示和基础部署。
最低可展示版本
- 用户输入一个问题，例如“你为什么适合 AI 应用开发岗位？”
- 系统从你的资料库里检索出相关经历和项目片段。
- 模型基于这些片段生成回答，而不是自由发挥。
- 页面展示答案，并告诉用户参考了哪些资料。
- 整个服务能在线访问，而不是只在你电脑上跑。
这已经足够成为一个不错的作品。后面再补评测、日志、权限、安全边界、缓存、管理后台， 它就慢慢从 Demo 变成一个更像工程的系统。
面试时别背概念，要讲取舍
你讲 RAG 项目时，不要只说“我用了 Embedding、向量数据库、LangChain”。面试官更想听的是： 你为什么这样切分文档？为什么要展示来源？怎么判断回答有没有胡说？如果检索不到资料怎么办？
- 先讲业务问题：为什么需要这个知识库。
- 再讲链路：资料、切分、检索、回答、来源。
- 然后讲边界：不知道就说不知道，不让模型乱编。
- 最后讲改进：评测集、日志、缓存、权限、部署。
免费文章讲到这里就够了。真正做项目时，每一步都有坑：文档怎么切、向量库怎么选、提示词怎么写、 sources 字段怎么回传、前端怎么展示、服务器怎么部署。这些细节才是完整版的价值。