企业官网建设流程全解析

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_source=taotoken_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.toml：Base URL 填 TaoToken 通道

先把 Codex 的通道接通。打开 TaoToken 注册并创建 API Key，Key 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_source=taotoken_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 / Linux：

export TAOTOKEN_API_KEY="YOUR_API_KEY"

Windows PowerShell：

$env:TAOTOKEN_API_KEY="YOUR_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 QLoRA：Codex 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 MCP：Codex 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 TaoToken

6.1 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_source=taotoken_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_source=taotoken_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。