AI应用开发面试手册（精简版）

本手册覆盖RAG检索增强生成 + Agent智能体开发两大核心方向，全部来自生产落地高频面试题，提炼为核心得分要点，可直接背诵。面试时先答核心框架，再根据追问补充细节。

第一篇 RAG检索增强生成篇

模块一 RAG核心原理与挑战

核心题1：RAG技术的核心挑战是什么？对应有哪些落地方案？

背诵要点
6大核心挑战：文档解析难、分块切分难、召回准确率低、排序精度不足、拒答边界难控、权限隔离复杂
对应解法：

• 解析：按格式走专用解析器，保留结构化元数据
• 分块：结构化切分+重叠窗口+父子分块
• 召回：关键词+向量混合召回 + 查询改写
• 排序：Rerank重排 + 多路信号融合
• 拒答：置信度体系，多维度打分判断
• 权限：入库打标 + 检索层强制过滤 + 生成前二次校验

高频追问

1. RAG和微调怎么选型？各自适用场景？

   • RAG：知识更新频繁、需要溯源、数据敏感、快速迭代，成本低，见效快
   • 微调：固定领域风格/话术、能力对齐、大量高质量标注数据，成本高周期长
   • 生产级方案：RAG做知识底座 + 轻量微调做风格/格式对齐

2. 什么是Naive RAG？进阶RAG架构有哪些？

   • Naive RAG：切片→向量化→检索→生成，基础流程，效果上限低
   • 进阶：高级RAG（查询改写、重排、元数据过滤）、模块化RAG、Agentic RAG、Graph RAG

模块二 文档处理与分块

核心题1：文档分块有哪些最佳实践？

背诵要点

• 不按固定字符数硬切，优先按标题、段落、语义边界结构化切分
• 相邻块设置10%-20%重叠，避免上下文断裂
• 保留标题、章节、页码等元数据，每个块附带上下文信息
• 复杂场景用父子分块：子块细粒度召回，父块完整上下文生成
• 分块大小匹配Embedding模型最优窗口，兼顾召回精度与上下文完整性

高频追问

1. 分块大小怎么选？有没有通用最优值？

   • 无通用最优值，按内容类型定：FAQ类200-500字符，制度文档500-1000字符，长文知识1000-2000字符
   • 核心原则：一个块包含一个完整语义单元，避免语义断裂和无关信息混杂
   • 通过召回率、答案准确率指标调优到最优值

2. 表格、图片类内容怎么处理进RAG？

   • 表格：保留行列结构，转成结构化Markdown/JSON，同时存储文本描述
   • 图片：OCR提取文字 + 图片描述生成，图文绑定存储
   • 复杂图表：用多模态Embedding直接向量化，配合多模态大模型使用

模块三 召回与混合检索

核心题1：召回准确率低怎么优化？混合检索怎么实现？

背诵要点

• 优化方向：查询改写、混合召回、同义词扩展、实体链接、分块优化
• 混合检索流程：关键词BM25召回TopK + 向量语义召回TopK → 去重合并 → 送入重排
• 核心价值：关键词解决精确匹配问题，向量解决语义匹配问题，互补短板

高频追问

1. Query Rewrite有哪些常用方法？

   • 规则层：去标点、归一化、口语转书面语、同义词替换
   • 模型层：用大模型改写为更标准的检索问句、生成多视角查询
   • 进阶：多查询生成，一个问题拆成多个检索query，多路召回合并

2. 两路召回结果怎么融合？有哪些策略？

   • 加权融合：关键词得分和向量得分按权重相加排序
   • 倒数排位融合（RRF）：按两路排名计算综合分，鲁棒性强
   • 重排融合：统一送入Rerank模型做语义排序，效果最好

3. 召回率和精确率怎么权衡？

   • 召回阶段优先保召回率，宁可多召也不漏召，靠后续重排提精度
   • 召回TopK设50-100条，重排后取Top5-10条进上下文，兼顾效果与成本

模块四 重排与上下文构建

核心题1：Rerank的作用是什么？全链路性能怎么优化？

背诵要点

• 作用：对初筛结果做精细化语义排序，大幅提升顶部相关性，是提升RAG效果的性价比最高的环节
• 性能优化：控制重排输入数量、选轻量Rerank模型、批量计算、高频结果缓存、高并发可降级跳过

高频追问

1. 什么时候必须加Rerank？什么时候可以不加？

   • 必须加：知识库体量大、查询语义复杂、对答案精度要求高的生产级系统
   • 可不加：简单FAQ、小体量知识库、Demo原型、对成本极度敏感的场景

2. 上下文太长塞不下怎么办？

   • 控制召回数量，只取相关性最高的TopN
   • 对长片段做摘要压缩，提取核心信息
   • 用长上下文模型，或分段处理后整合
   • 优先保留高置信度、高相关度内容

模块五 答案生成与幻觉治理

核心题1：如何治理大模型幻觉？引用溯源怎么实现？

背诵要点

• 全链路防控：
  1. 检索侧：提升召回准确率，保证输入知识正确
  2. 生成侧：Prompt强约束、强制引用来源、调低温度
  3. 校验侧：事实一致性校验、置信度打分、低置信度拒答
• 引用溯源：每个Chunk分配唯一ID → Prompt要求标注引用编号 → 返回时关联原文信息 → 前端支持跳转定位

高频追问

1. 拒答阈值怎么定？怎么平衡误拒答和漏拒答？

   • 先标注一批测试数据，绘制不同阈值下的准确率和拒答率曲线
   • 根据业务场景选平衡点：客服场景宁误拒不漏答，内部工具宁漏答不幻觉
   • 设置中间置信度区间，触发二次检索或人工兜底

2. 什么是事实一致性校验？常用实现方式？

   • 校验答案和检索上下文是否一致，有没有编造信息
   • 实现方式：小模型分类器、大模型校验、关键词匹配规则、NLI自然语言推理模型

模块六 权限隔离与多租户

核心题1：企业级RAG怎么做权限隔离和数据隔离？

背诵要点
四层防护架构：

1. 入库打标：每个文档/Chunk附带部门、角色、ACL等权限标签
2. 检索强制过滤：查询时注入权限Filter，无权限数据不进入召回池
3. 生成前二次校验：上下文送入Prompt前再校验一遍
4. 审计溯源：全链路留痕，支持安全审计

高频追问

1. 多租户用物理隔离还是逻辑隔离？怎么选？

   • 逻辑隔离：共用索引，加租户ID字段过滤，成本低运维简单，适合中小租户、安全要求一般
   • 物理隔离：每个租户独立索引/独立库，隔离彻底安全度高，适合大客户、数据敏感场景
   • 混合方案：大客户物理隔离，中小客户逻辑隔离

2. 只靠Prompt做权限限制为什么不行？

   • 大模型有指令逃逸风险，Prompt注入可绕过约束
   • 非确定性输出，无法100%保证遵守规则
   • 检索层已经拿到了敏感数据，泄露风险已经存在
   • 核心原则：权限控制必须在系统层做，Prompt只做辅助

模块七 技术选型与底层原理

核心题1：RAG项目选ES还是Milvus？各自适用场景？

背诵要点

• ES：适合企业级RAG，混合检索多、过滤条件多、结构化字段多、已有ES基建，中小规模性价比高
• Milvus：适合纯向量检索为主、数据量超亿级、超高QPS向量查询场景，专业向量检索性能更强
• 高阶方案：双库架构，ES做关键词+过滤，Milvus做向量召回，结果融合

高频追问

1. Embedding维度越高越好吗？怎么选型？

   • 不是。维度越高语义表达越强，但存储、耗时、成本线性上升
   • 按场景选：短文本简单任务768维，通用场景1024维，复杂长文本1536维
   • 1024维是大多数业务场景的性价比平衡点

2. 什么是HNSW索引？和IVF比有什么区别？

   • HNSW：层次化近邻图，基于图结构，召回率高、查询快，内存占用高，适合高精度要求
   • IVF：倒排文件，基于聚类，构建快、内存小，适合大数据量、可接受稍低召回
   • 生产最常用HNSW，综合表现最优

模块八 性能优化与运维

核心题1：RAG全链路性能优化有哪些手段？

背诵要点

• 检索层：索引优化、向量量化、冷热分离、热点缓存
• 重排层：控制输入数量、轻量模型、批量处理、结果缓存
• 生成层：分级路由、流式输出、推理加速、高频问题缓存
• 架构层：就近部署、减少网络传输、异步非关键步骤

高频追问

1. 向量检索慢怎么排查优化？

   • 先看索引类型是否合适，参数是否合理
   • 检查是否全量扫描、索引未生效
   • 做向量量化压缩，减小内存占用
   • 增加节点、分片，提升并发能力
   • 热点查询结果做缓存

2. 怎么设计RAG的缓存策略？

   • 高频标准问题：完整答案缓存，TTL几小时到几天
   • 向量检索结果：相同Query的召回结果缓存
   • Embedding结果：相同文本的向量缓存，避免重复计算
   • 缓存Key要包含权限、租户信息，防止串数据

模块九 评估体系与迭代闭环

核心题1：怎么做RAG的在线评测和用户反馈闭环？

背诵要点

• 评测体系：自动化指标+LLM评测+人工抽检三级
  • 指标：召回率、答案准确率、引用准确率、拒答准确率、响应耗时
• 反馈闭环：采集反馈 → 归因分类 → 根因优化 → 回归验证 → 沉淀用例

高频追问

1. LLM-as-Judge有什么局限性？怎么弥补？

   • 局限：自身有偏见、对细微错误不敏感、打分不稳定、成本高
   • 弥补：搭配规则校验、多模型交叉评测、校准打分标准、人工抽检金标准

2. RAG效果一直上不去，一般排查顺序是什么？

   • 先看文档质量和分块是否合理
   • 再看召回是否漏召、相关性够不够
   • 再看重排是否把最相关的排到前面
   • 最后看Prompt和生成环节是否有问题

模块十 架构演进与扩展

核心题1：RAG系统怎么支持多模态、多语言？未来怎么演进？

背诵要点

• 多模态：多模态Embedding + 多模态大模型，图文统一检索统一生成
• 多语言：多语言Embedding模型 + 查询翻译 + 多语言混合检索
• 演进方向：从静态检索到Agentic RAG、从单一路径到多路检索融合、从纯文本到全模态、结合知识图谱

高频追问

1. 什么是Graph RAG？和传统向量RAG比有什么优势？

   • 从文档中提取实体和关系，构建知识图谱，配合向量检索
   • 优势：复杂逻辑推理更强、多文档关联能力好、可解释性强
   • 适合：知识密集型、需要跨文档推理的复杂场景

2. 什么是Agentic RAG？和普通RAG的区别？

   • 普通RAG：一次检索一次生成，被动执行
   • Agentic RAG：Agent主动判断信息是否足够，自主决定多轮检索、补充查询、信息校验
   • 大幅提升复杂问题的回答准确率，是RAG的进阶方向

第二篇 Agent智能体开发篇

模块一 Agent基础与核心原理

核心题1：什么是AI Agent？和普通对话、RAG的核心区别？

背诵要点

• 定义：目标驱动，能自主规划、调用工具、迭代反馈的智能体，核心是「自主决策+外部行动」
• 普通对话：被动问答，仅依赖模型内置知识，无外部能力
• RAG：增强知识库问答，本质还是问答模式，无自主执行能力
• Agent：目标驱动，自主拆任务、调用工具、修正错误，可产生真实业务动作

核心题2：ReAct框架的核心思想？和CoT的区别？

背诵要点

• ReAct = Reasoning推理 + Acting行动，推理与工具调用交替循环
• 流程：思考下一步 → 调用工具 → 基于结果继续推理 → 循环至完成
• 区别：CoT是纯内部逻辑推理，无法获取外部信息；ReAct结合工具，可解决知识过时、幻觉问题，能完成真实操作

核心题3：标准Agent由哪些核心模块组成？

背诵要点

• 大模型推理层：大脑，负责规划、决策、推理
• 记忆模块：会话历史、中间状态、长期知识
• 工具集：外部能力入口（搜索、数据库、API等）
• 规划模块：任务拆解、路径规划、异常修正
• 执行层：工具调用、结果回传、状态更新
• 反思模块：校验结果、自我修正、经验沉淀

高频追问

1. Agent必须用大模型吗？小模型能不能做Agent？

   • 不一定。简单流程化Agent、固定工具调用，小模型加规则也能实现
   • 复杂开放场景、自主规划、灵活推理，必须用大模型
   • 生产趋势：大模型做规划调度，小模型做具体执行，分层降本

2. Agent规划失败常见原因有哪些？怎么优化？

   • 原因：任务理解偏差、工具边界不清晰、缺乏领域知识、异常场景没遇到过
   • 优化：完善工具描述、加入少样本示例、引入反思机制、预设常见异常分支、人工反馈调优

3. AutoGPT为什么生产落地很少用？

   • 无边界规划，容易死循环和跑偏，可控性差
   • Token消耗极高，成本不可控
   • 任务成功率低，稳定性差
   • 生产级Agent都是限定场景、明确边界、可控流程

模块二 开发框架与选型

核心题1：主流Agent框架有哪些？适用场景分别是什么？

背诵要点

• LangGraph/LangChain：代码级框架，生态最全。LangChain适合简单Agent；LangGraph支持复杂状态循环，生产级首选
• Dify：国产可视化低代码平台，自带RAG与工作流，企业快速落地内部Agent
• Coze：字节出品，零代码可视化，插件生态丰富，个人/小团队快速验证Demo
• AutoGen/CrewAI：专攻多Agent协作，内置分工模式，多角色协同场景

核心题2：LangGraph和LangChain的核心区别？解决什么痛点？

背诵要点

• LangChain：线性链式执行，状态管理弱，不支持复杂循环分支，适合简单单轮任务
• LangGraph：基于状态机架构，原生支持循环、条件分支、人工介入，内置持久化状态、断点续跑
• 解决痛点：LangChain无法优雅处理Agent思考-行动循环、状态持久化的问题

高频追问

1. 什么时候用低代码框架，什么时候用代码级框架？

   • 低代码：快速验证想法、内部工具、无深度定制、非技术团队
   • 代码级：生产级复杂场景、深度定制逻辑、复杂工作流、多系统集成、可控性要求高

2. 从零手写Agent和用框架比有什么优劣？

   • 手写：灵活度最高、完全可控、无框架依赖、无冗余逻辑；开发成本高、重复造轮子
   • 框架：开发快、生态完善、内置最佳实践；有学习成本、API变动快、定制有约束

模块三 工具调用与MCP协议

核心题1：Function Calling完整执行闭环是什么？

背诵要点
四步闭环：

1. 定义：预定义工具Schema（功能、参数、返回值）
2. 决策：模型判断是否调用、调用哪个、传什么参数
3. 执行：业务代码执行工具逻辑，获取真实结果
4. 回传：工具结果返回模型，模型继续推理生成最终答案

核心题2：工具调用常见异常与处理方案？

背诵要点

• 常见异常：参数错误、执行失败、循环调用、幻觉调用不存在的工具、解析失败
• 处理方案：
  1. 参数校验不合法，让模型重生成
  2. 执行失败的错误信息回传，让模型修正方案
  3. 设置最大执行步数，检测死循环强制终止
  4. 工具不可用触发降级，切换备用方案

核心题3：什么是MCP协议？核心价值是什么？

背诵要点

• 定义：模型上下文协议，Agent对接外部工具的行业标准接口
• 价值：一次实现，所有支持MCP的Agent都能调用，告别重复适配；标准化权限、异步任务、UI能力；已成行业事实标准，主流厂商全适配

高频追问

1. 工具返回结果太长，上下文塞不下怎么办？

   • 工具侧做分页、截断，只返回核心字段
   • 对返回结果做摘要压缩，提取关键信息
   • 让Agent决定需要哪部分信息，工具二次查询
   • 分多次调用，分批处理结果

2. 多个无依赖的工具可以并行调用吗？怎么实现？

   • 可以，能大幅缩短总耗时
   • 实现：模型一次性返回多个工具调用指令，业务层并行执行，全部完成后统一回传给模型
   • 注意：判断工具间是否有依赖，有依赖的必须串行

3. 工具调用的幂等性怎么保证？

   • 每个工具调用生成唯一请求ID，工具侧做去重
   • 查询类天然幂等，写入类加幂等键
   • 断点续跑时，已执行成功的工具不再重复执行

模块四 状态管理与记忆系统

核心题1：Agent三层记忆架构？各自作用与存储方式？

背诵要点

1. 工作记忆：当前任务上下文、中间状态，程序内存/滑动窗口，分钟级
2. 短期记忆：单会话完整对话历史，Redis存储，小时-天级
3. 长期记忆：用户偏好、领域知识、成功经验，向量库+关系库，永久存储

• 原则：分层召回，控制上下文体积，避免信息过载

核心题2：长对话上下文溢出怎么解决？

背诵要点

• 滑动窗口：只保留最近N轮
• 摘要压缩：历史对话做摘要替代原文
• 记忆召回：只召回和当前任务相关的片段
• 状态外移：执行状态存Redis，上下文只留核心推理信息

核心题3：断点续跑怎么实现？

背诵要点

• 核心依赖：持久化状态存储
• 流程：每步执行完持久化当前状态（已完成步骤、中间结果）→ 中断后读取历史状态 → 从断点继续执行
• 配套：工具幂等设计，避免重复执行副作用

高频追问

1. 滑动窗口和摘要压缩各有什么优劣？怎么选？

   • 滑动窗口：实现简单、信息无损失；长对话会丢失早期关键信息
   • 摘要压缩：保留全局信息，上下文体积小；有细节损失、实现复杂
   • 选型：短对话用滑动窗口，长对话用摘要+近期滑动窗口结合

2. 会话记忆为什么不建议参与检索？

   • 历史话题会干扰当前检索，导致召回偏移
   • 指代、省略语会让检索Query不完整
   • 最佳实践：检索只基于当前问题，记忆只辅助生成

模块五 多Agent协作

核心题1：多Agent对比单Agent的优势？适用场景？

背诵要点

• 优势：专业分工提质量、并行处理提效率、多视角校验降幻觉、复杂任务可拆解
• 适用场景：长流程流水线任务、多领域专业任务、高准确率评审场景、大规模并行任务

核心题2：常见的多Agent协作模式有哪些？

背诵要点

• 流水线模式：按阶段分工顺序执行，适合标准化流程
• 主从调度模式：总管Agent调度专业子Agent，分配任务整合结果，适合复杂开放任务
• 辩论评审模式：多Agent输出方案互相评审，适合高决策质量场景
• 自由协作模式：平等通信协商分工，适合科研创意类场景

高频追问

1. 怎么避免多Agent沟通成本过高、效率反而下降？

   • 明确职责边界，避免职责重叠
   • 统一调度器，避免点对点混乱通信
   • 标准化信息格式，减少理解成本
   • 控制Agent数量，不是越多越好，简单任务单Agent更高效

2. 多个Agent意见不一致时怎么裁决？

   • 设主Agent做最终决策
   • 投票制，多数意见胜出
   • 引入评审Agent专门做裁决
   • 高风险场景提交人工决策

模块六 工程化与性能优化

核心题1：生产级Agent为什么需要消息队列？解决什么痛点？

背诵要点

• 解决同步执行用户等待久、长耗时任务阻塞线程、系统耦合高的问题
• 价值：异步解耦、削峰填谷、自动重试、组件解耦

核心题2：工作流编排和Agent框架是什么关系？什么时候需要？

背诵要点

• 关系：互补而非替代。Agent框架负责智能决策推理；工作流负责任务可靠执行
• 工作流核心能力：自动重试、超时控制、断点恢复、分布式调度
• 需要场景：长耗时多步骤任务、高可靠断点续跑、跨系统协同、定时延迟任务

核心题3：Agent容灾降级怎么实现？

背诵要点

• 模型降级：主模型不可用切备用模型
• 工具降级：核心工具不可用切换备用方案
• 流量削峰：高并发时限流排队，非核心功能降级
• 熔断机制：连续失败触发熔断，快速返回，避免雪崩

高频追问

1. Agent任务执行超时怎么处理？

   • 设置单步超时和总任务超时
   • 超时后触发重试，重试失败转降级方案
   • 记录超时异常，用于后续优化
   • 通知用户任务状态，避免无响应

2. 监控Agent的核心指标有哪些？

   • 效果类：任务成功率、工具调用准确率、异常率
   • 性能类：平均耗时、首响应时间、Token消耗
   • 资源类：模型QPS、线程池水位、队列堆积
   • 成本类：单次任务成本、日总Token消耗

3. 大模型API限流时怎么应对？

   • 消息队列削峰，任务排队执行
   • 降级为小模型处理简单任务
   • 触发限流时返回排队状态给用户
   • 配置备用模型池，分摊流量

模块七 安全与合规

核心题1：工具调用有哪些安全风险？怎么防控？

背诵要点

• 风险：越权操作、恶意代码执行、数据泄露、误操作产生业务损失
• 防控：
  1. 权限最小化，只给必需的最小权限
  2. 代码执行类工具放沙箱运行
  3. 参数合法性校验，过滤恶意内容
  4. 全操作留痕审计
  5. 高危操作强制人工确认

核心题2：什么是人在回路？哪些场景必须加？

背诵要点

• 定义：高风险环节暂停执行，等待人工确认后再继续
• 必加场景：产生真实业务副作用（发邮件、改数据、删资源、支付）、高风险决策、低置信度场景
• 价值：平衡自动化效率与风险，降低误操作损失

核心题3：怎么防御Prompt注入攻击？

背诵要点
分层防御：

1. 系统Prompt加固，明确指令优先级，禁止用户指令覆盖系统规则
2. 输入检测，过滤恶意注入内容
3. 工具白名单，只能调用预定义工具
4. 权限兜底，工具本身有权限限制
5. 输出校验，工具调用前二次校验

高频追问

1. Agent生成的SQL怎么防止删库、拖库？

   • 数据库账号只给只读权限
   • SQL语法校验，禁止DROP、DELETE、UPDATE等写操作
   • 限制查询行数，防止全表扫描拖库
   • 执行前人工确认高危查询
   • 走专用只读从库，不碰主库

2. 代码执行沙箱除了Docker还有什么方案？

   • Wasm沙箱：启动快、资源占用低、隔离性好，适合轻量代码执行
   • 进程级沙箱：限制系统调用、资源配额
   • Serverless函数：独立运行环境，天然隔离
   • 选型：轻量短任务用Wasm，重任务用Docker

模块八 评估体系

核心题1：Agent评估和传统软件、RAG评估有什么区别？

背诵要点

• 传统软件：输出确定，单元测试断言校验
• RAG：评估召回准确率、答案相关性，输出相对固定
• Agent：输出非确定、过程多步可变，核心评估端到端任务完成度和过程合理性
• 难点：路径不唯一、多步误差传导、成功标准难量化

核心题2：怎么自动化评估Agent任务效果？

背诵要点

• 方案：LLM-as-Judge + 规则校验结合
  1. 构建标准化测试用例集，覆盖正常/异常/边界场景
  2. 自动化执行，记录完整执行过程
  3. 规则校验工具调用正确性、权限合规性
  4. 大模型评委从任务完成度、逻辑合理性打分
  5. 每次迭代跑回归测试，验证效果不退化

高频追问

1. LLM-as-Judge本身有偏见怎么办？

   • 用更强的模型做评委
   • 多模型交叉评测，取综合结果
   • 制定详细的打分标准和示例，减少主观偏差
   • 人工抽检校准，调整打分prompt

2. 任务成功率上不去，一般从哪些方向排查？

   • 先看工具描述是否清晰，模型是否理解工具能力
   • 再看规划能力，任务拆解是否合理
   • 再看异常处理，遇到错误是否能自我修正
   • 最后看记忆和上下文是否完整

模块九 实战场景与设计题

核心题1：Agent陷入死循环怎么检测和处理？

背诵要点

• 检测：最大步数硬限制、相同工具相同参数重复调用检测、无进展状态检测
• 处理：触发自我反思重新规划、注入提示引导更换方法、强制终止转人工、记录bad case优化

核心题2：设计一个自动数据分析Agent，核心架构是什么？

背诵要点
五层架构：

1. 交互层：自然语言接收需求，流式返回过程结果
2. 规划层：拆解为数据提取、清洗、分析、可视化子步骤
3. 工具层：SQL查询、Python代码沙箱、图表生成、文件导出
4. 记忆层：保存分析上下文、历史经验、数据元信息
5. 安全层：数据权限过滤、代码沙箱隔离、高危操作人工确认

高频追问

1. 从零搭建企业级Agent平台，整体架构怎么设计？

   • 接入层：API网关、鉴权、限流、SSE流式输出
   • 编排层：Agent运行时、状态管理、工具调度、工作流引擎
   • 能力层：模型网关、向量检索、工具市场、记忆服务
   • 基建层：消息队列、缓存、数据库、可观测、权限系统
   • 运营层：评估体系、反馈闭环、Prompt管理、数据分析

2. Agent怎么和现有业务系统集成？有哪些难点？

   • 集成方式：API对接、数据库对接、前端嵌入、MCP标准协议接入
   • 难点：权限体系打通、数据安全、业务系统稳定性影响、旧系统无API
   • 原则：低侵入、可降级、可审计、不影响主业务流程