🧠 图解记忆： 用背景和任务定义问题，在行动中讲清选型、优化与兜底，再用质量、延迟、成本和业务指标闭环。
💡 答案要点
STAR 法则：Situation - Task - Action - Result
示例 1：RAG 系统
【背景】公司知识库有 10w+ 文档，员工查询效率低
【任务】构建 RAG 系统，提升知识检索效率
【行动】
- 使用 BGE-M3 模型生成向量，存储到 Milvus
- 实现混合检索：BM25 + 向量检索，rerank 优化
- 设计上下文压缩策略，减少 token 消耗 40%
【结果】检索准确率 92%，响应时间 500ms，用户满意度 4.5/5示例 2：Agent 系统
【背景】客服团队每天处理 5000+ 重复性咨询
【任务】构建 AI 客服 Agent，减少人工成本
【行动】
- 设计 ReAct 框架，集成知识库、订单查询、退款等工具
- 实现多轮对话管理，上下文记忆机制
- 设计人工介入策略，复杂问题自动转人工
【结果】自动解决率 70%，客服成本降低 60%，用户满意度持平关键点：
- 数据量级（10w 文档、5000 咨询）
- 技术选型（BGE-M3、ReAct、Milvus）
- 优化策略（混合检索、上下文压缩、人工介入）
- 量化结果（92% 准确率、70% 自动解决率）