面试官一句“你项目里为什么用 RAG 不用微调”很多人能把 RAG vs 微调的表格背出来但被追问“你们知识库多久更新一次、为什么不直接 LoRA”就卡住。与其背表不如把 Codex 变成面试官打开 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end 创建 Key再把 Codex 的 Base URL 填成 https://taotoken.net/api让它拿着同一张对比表连续追问。TaoToken 在这里只做一件事给 Codex 提供兼容通道让请求稳定发出去。原文第八篇把模型微调、多模态、MCP 和面试高频考点串成结业路线但“看懂”和“答得上”之间差了一次高压追问。下面就把这条线接上先用 Codex 的 config.toml 接通 TaoToken再把原文 1.1 的表格改造成问题清单最后用同一把 Key 模拟多模态、MCP 和简历项目追问。1. 面试卡在 RAG vs 微调不是缺表而是缺追问1.1 原文 1.1 的对比表为什么一追问就散原文第八篇开头就把 RAG 和微调做成一张表RAG 检索外部文档塞进 prompt微调拿自己的数据重新训练参数RAG 适合知识频繁更新、需要溯源微调适合改变模型风格、格式和领域术语RAG 成本低、改文档实时生效微调要 GPU、要重新训练。这张表本身没错问题在于你只是“读”了它没有在项目语境里“用”过它。面试官不会满足于你复述“RAG 开卷考、微调背下书”。他会追问你做的知识库问答系统文档多久更新一次如果更新频率是每天微调怎么跟上如果用户问“上周刚发布的产品政策”微调后的模型能不能答出来如果答案必须附来源微调模型怎么给出引用链接这些问题一出来背表格的人就开始绕。更麻烦的是原文 1.1 的结论是“90% 的企业级场景用 RAG 就够了微调是锦上添花”。这句话在面试里只能当结论不能当论证。你得能说出为什么你的场景落在那 90% 里为什么微调在你的项目里不是必需品以及如果未来要微调触发条件是什么。Codex 当面试官的价值就在这里它不让你停留在结论而是逼你把结论拆成项目决策。1.2 给 Codex 写 config.tomlBase URL 填 TaoToken 通道先把 Codex 的通道接通。打开 TaoToken 注册并创建 API KeyKey 一律用占位符YOUR_API_KEY不要写进聊天记录或提交到 Git。模型 ID 不要凭记忆写去 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end 的模型广场复制当时可用的 ID。Codex 读的是~/.codex/config.toml。把model_provider指到自定义供应商base_url填https://taotoken.net/api末尾不要加/v1。下面这份可以直接改# ~/.codex/config.toml model YOUR_MODEL_ID model_provider taotoken [model_providers.taotoken] name TaoToken base_url https://taotoken.net/api env_key TAOTOKEN_API_KEY wire_api chat然后把 Key 放进环境变量。macOS / Linuxexport TAOTOKEN_API_KEYYOUR_API_KEYWindows PowerShell$env:TAOTOKEN_API_KEYYOUR_API_KEY注意base_url只填https://taotoken.net/api不要带 UTM也不要写成官网首页。官网首页只用来注册、创建 Key、看模型广场和看用量。保存后重新打开终端启动 Codex。如果它不再报缺少 API Key说明自定义供应商已经被读取。接下来不要急着问业务问题先用一句测试确认通道请用一句话确认你已收到请求并列出你当前使用的模型 ID。模型 ID 以你从模型广场复制的为准。如果这里返回正常再进入面试模拟。2. 用 Codex 把 RAG vs 微调对比表变成追问脚本2.1 先让 Codex 复述选型边界把原文 1.1 的表格改写成提示词不要直接让 Codex “解释 RAG 和微调”。更好的做法是让它当面试官先问你边界再抓薄弱点。可以这样发你现在扮演大模型应用岗面试官。不要直接给答案。 第一轮只问一个问题在什么场景下 RAG 比微调更合适 我回答后你只挑一个最薄弱的点追问最多追问三轮。 每轮追问前先复述我的核心论据再指出哪里没有项目证据。Codex 第一轮大概率会问“你项目里的知识更新频率是多少为什么不用微调”你的回答不能只说“RAG 成本低”要落到具体机制知识库文档更新后重新 embedding 并入库检索端马上能取到新内容微调要重新准备训练数据、重新训练、重新评估版本回滚也更麻烦。如果面试官追问“那微调是不是完全没用”你要能区分微调改变的是模型的行为习惯和输出格式RAG 解决的是事实来源和时效性。2.2 连续追问知识更新、溯源、成本、术语第二轮让 Codex 专门追问“溯源”。你可以发继续上一轮。现在只追问溯源如果用户要求每个回答都给出出处RAG 和微调分别怎么实现 我回答后请指出我在检索链路、引用格式、置信度处理上漏掉了什么。这时你要能说出检索结果里保留doc_id、chunk_id、原文片段生成时要求模型引用来源微调模型如果没有外部检索无法凭空给出可靠链接只能靠训练数据里的记忆。第三轮让 Codex 追问“术语和风格”如果公司内部有很多缩写微调能不能帮模型学会可以但先考虑用 System Prompt 或少量示例约束成本更低只有当术语量很大、格式要求非常稳定、且 RAG 检索无法覆盖时微调才进入候选。原文 1.2 提到 LoRA、QLoRA 时强调“了解就够”。面试里也是一样你不需要声称自己训过 7B 模型但要把 LoRA 的定位说清楚。可以让 Codex 追问“你说微调是锦上添花那如果真要做你会选全量微调还是 LoRA为什么”你的回答可以落在全量微调改全部参数对显存和算力要求高LoRA 只训练旁路的小矩阵原始权重不动个人或小团队更容易验证。QLoRA 再加上量化进一步降低显存门槛但具体能不能跑取决于模型大小和硬件不能拍脑袋写数字。2.3 让 Codex 点评你的回答每轮回答完让 Codex 做三件事指出一个事实错误、指出一个逻辑跳跃、给出一个更贴近项目的表达。比如请按下面格式点评 1. 我回答里最像背书的句子是哪句 2. 哪个论据没有项目细节 3. 用面试口语帮我改写成一段 30 秒能说完的答案。这样练几轮你会发现原文 1.1 的表格不再是两列文字而是一棵决策树先看知识是否频繁更新再看是否必须溯源再看成本预算最后才看是否需要改变模型风格。面试官问“为什么用 RAG 不用微调”你就能从项目事实出发而不是从定义出发。3. LoRA 与 QLoRACodex 沿着“低秩旁路”继续问3.1 原文 1.2 的三个概念改成问题原文 1.2 把全量微调、LoRA、QLoRA 排成递进关系。你可以让 Codex 把这三行改成一串追问请基于以下概念连续提问不要给答案 全量微调、LoRA、QLoRA。 每个概念问两个问题一个问原理一个问适用边界。 我回答后你判断我是在背定义还是能解释为什么这样设计。Codex 可能会问“全量微调为什么需要那么多显存”“LoRA 为什么不直接改原始权重”“QLoRA 的量化会带来什么代价”这些问题对应原文里的“8 张 A100”“一张 3090”“RTX 3060 微调 7B”等说法。你不需要复述具体卡号而要说出逻辑全量微调要保存优化器状态和梯度显存占用大LoRA 冻结原始权重只训练低秩矩阵参数量小所以更容易在消费级硬件上尝试QLoRA 把原始权重做 4-bit 量化进一步压显存但量化可能带来精度损失需要评估。3.2 模拟追问为什么不改原始权重面试官很爱追问“LoRA 只训练旁路效果会不会不如全量微调”你可以回答LoRA 的假设是任务适配不需要改动全部参数低秩增量可以捕捉大部分领域偏移如果数据量很大、任务和预训练分布差异极大全量微调可能上限更高但成本和灾难性遗忘风险也更高。这个回答既承认边界又不把 LoRA 吹成万能。还可以让 Codex 追问“你个人项目里为什么不用微调”你可以结合原文结论我的项目知识更新频繁且需要引用来源RAG 已经覆盖微调更适合固定风格、固定格式或内部术语密集的场景。如果将来要微调我会先准备高质量指令数据用 LoRA 做小规模验证再看是否值得上 QLoRA。注意不要编造“我训过多少条数据”或“准确率提升多少”没有真实数据就讲方法和判断条件。4. 多模态和 MCPCodex 的下一轮模拟面试4.1 多模态不是“能看图”原文第二部分把多模态拆成图片理解、语音转文字、文字生成图片。面试里如果只说“大模型能看图”很快会被追问图片怎么传给模型输入格式是什么图片太大怎么办OCR 和视觉理解怎么配合你可以让 Codex 出题请模拟多模态面试官连续追问我三个问题 1. 图片理解在 API 里通常怎么传 2. 图片里既有文字又有图表时怎么设计处理链路 3. 如果图片模糊或方向不对系统怎么兜底。 不要直接给答案等我回答后再点评。你的回答要落到工程细节图片可以用 URL 或 base64 传入具体字段以对应模型文档为准图表理解可以先用视觉模型抽描述再把描述和 OCR 结果一起送进文本模型模糊图片要有重拍提示或人工兜底。不要写“让 Codex 直接识别生产环境截图并执行操作”Codex 只生成处理思路和代码片段实际执行仍在你的本地环境。4.2 MCP 与 Function Calling 分工别把 MCP 说成直连生产库原文第三部分把 MCP 比作 Agent 的“USB 接口”并强调它不会替代 Function Calling。面试里你可以这样组织MCP 解决的是工具发现和通信标准化Function Calling 解决的是模型什么时候决定调用工具。前者让工具写一次就能被不同 AI 平台发现后者是模型输出调用意图、由程序执行。这里必须划清边界MCP 不是让 Codex 直接连上你的生产库也不是让 AI 自动执行高风险命令。工具真正执行时仍然由你配置的本地服务或受控环境完成。比如查数据库正确链路是Codex 生成 SQL 或解释 SQL你在本地或测试库执行把报错和结果贴回对话让 Codex 帮你分析。不要让 Codex 直连生产库也不要让它替你跑impdp或FETCH这类操作。面试里如果被问到 MCP 的安全性你可以说标准化带来便利但权限控制、审计和人工确认仍然要做。5. 面试高频题让 Codex 连续追问而不是只给答案5.1 RAG 流程与召回率优化原文第四部分列了很多高频题。你可以把这些问题一次性交给 Codex让它随机抽题、连续追问请从以下主题里随机抽 3 个每个主题追问两轮 RAG 完整流程、分块策略、Hybrid Search、Rerank、幻觉控制、Token 成本。 第一轮问概念第二轮问项目细节。 我回答后请指出我有没有把“知道”说成“做过”。RAG 流程要能按顺序说清文档加载、文本分块、Embedding、向量库、用户提问、语义检索、拼 Prompt、生成答案。分块策略要讲权衡块太大语义被稀释块太小上下文碎片化常见做法是设置chunk_size和重叠窗口但具体数值要看文档类型和评测结果不能背一个数字走天下。召回率优化可以从三处入手调分块、混合关键词与向量检索、加重排序。你可以说做过对比实验但不要编造命中率数字没有数字就讲实验设计和观察维度。5.2 Agent 循环、工具失败、框架选择Agent 相关题目要抓住 ReAct 循环收到消息、判断是否调用工具、执行工具、把结果塞回上下文、继续判断直到能直接回答。工具调用失败怎么办把错误信息作为工具结果返回给模型让它决定换参数重试、换工具还是告诉用户做不了关键是程序不要崩。框架选择不要只报名字要讲你为什么先手写循环、后来用 LangGraph需要状态图、需要人工介入、需要更清晰的流程编排。Codex 会追问“你的 Agent 能直接操作生产机器吗”答案必须是不能。它只能生成调用代码、解释返回结果、帮你设计重试逻辑真实执行要在你的本地或测试环境由你确认后运行。5.3 系统设计与陷阱题系统设计题可以用“智能客服”练但不要照搬原文的架构细节。你可以让 Codex 问“设计一个内部知识库问答要求回答带出处、低置信度转人工你怎么拆模块”你的回答覆盖接入层、意图判断、检索层、生成层、引用拼接、置信度评估、人工转接、日志与评估。陷阱题比如“大模型幻觉怎么办”可以从三方面答RAG 提供事实依据、System Prompt 约束不知道就说不知道、生产环境加事实校验或相似度检查。Token 成本控制可以讲缓存、对话摘要、限制输出长度、按任务选模型。同样不要编造“便宜 50 倍”这类数字以模型广场当时列表为准。6. 验证与排障Codex 请求确实走了 TaoToken6.1 验证模型对话和控制台看调用配置保存后让 Codex 连续回答三轮面试题。如果每轮都能正常返回说明 Base URL 和 Key 已经生效。为了更直观可以打开 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end 的控制台看这次调用有没有记上账。也可以用同一把 Key 去模型对话页发一条测试消息确认模型 ID 没填错。模型对话入口在 TaoToken 模型对话。6.2 config.toml 常见报错对照第一种Codex 报env var TAOTOKEN_API_KEY not set。说明env_key指向的环境变量没有导出或者你改完配置后没有重开终端。用echo $TAOTOKEN_API_KEY检查Windows 用echo $env:TAOTOKEN_API_KEY。第二种请求返回401。先确认 Key 是否从 控制台 API Keys 创建再确认环境变量里没有多余空格或引号。第三种返回404 model not found。通常是模型 ID 写错或者base_url末尾多加了/v1。回到 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_end 的模型广场复制当前模型 ID并把base_url改回https://taotoken.net/api。第四种Codex 仍然走默认 provider。检查model_provider taotoken和[model_providers.taotoken]的表名是否完全一致TOML 对大小写和拼写敏感。6.3 把简历项目也丢给 Codex 追问原文第五部分列了简历项目比如知识库问答、Function Calling Agent、全栈 AI 应用。你可以把简历里的一句话贴给 Codex让它扮演面试官下面是我简历里的一条项目描述。请只追问不要夸。 重点追问数据规模、失败案例、评估方式、我具体负责哪一部分。 如果我的描述里有无法验证的结论请直接指出来。这比单纯背题更接近真实面试。Codex 会追问“文档加载支持哪些格式”“分块参数怎么定的”“工具调用失败怎么处理”“前端流式输出怎么实现”。你答不上来的地方就是下一轮复习清单。同一把 Key 还可以继续模拟多模态、MCP、系统设计不需要每换一个考点就重新配环境。7. 下一步同一把 Key 继续模拟去控制台对一下用量配通 Codex 之后先在 TaoToken 模型对话 用同一把 Key 发一条“模拟面试第一题”确认模型 ID 和 Base URL 没填错。如果你准备长期拿 Codex 刷面试题可以打开 Coding Plan 看套餐是否够用新的 Key 在 控制台 API Keys 创建。如果你同时用 Claude Code 对照练习接入方式见 Claude Code 接入文档。把这次 Codex 的追问记录留下来比背十遍 RAG vs 微调表格更接近面试现场。