Appearance
RAG 面试题
RAG 题目通常不是只问定义，而是看你能不能把检索、分块、向量库、上下文拼装和评估串成一条工程链路。
基础链路
什么是 RAG？RAG 的主要流程是什么？
考察角度： 是否能把 RAG 讲成完整系统，而不是“接一个向量库”。
回答时应该覆盖：
- 离线建库：文档导入、清洗、分块、Embedding、索引入库。
- 在线查询：问题向量化、召回、可选 Rerank、拼接上下文、生成答案。
- 引用来源和资料不足时拒答为什么重要。
深入了解： RAG 原理
RAG 的建库链路和问答链路为什么要分开看？
考察角度： 是否能把离线数据质量和在线回答质量分开定位。
回答时应该覆盖：
- 建库链路关注文档是否被正确解析、切分、向量化和写入索引。
- 问答链路关注当前 query 是否召回了对的证据，以及上下文是否被正确拼给模型。
- 如果答案错了，先判断是“库里没有 / 没召回 / 召回了但生成错”，不要直接改 prompt。
深入了解： RAG 原理
RAG 的文档处理为什么会影响召回质量？
考察角度： 是否理解文档进入向量库之前的处理，会决定后面能不能被搜到。
回答时应该覆盖：
- 解析、清洗、去噪、结构保留和元数据提取不是预处理杂活，而是召回质量的一部分。
- Markdown、PDF、表格、代码块不能都按普通段落切，否则标题、表头和代码上下文会丢。
- 文档处理差时，后面换 embedding、调 top-k、改 prompt 都只能部分补救。
深入了解： RAG 原理
分块与 Embedding
什么是 RAG 中的分块？为什么需要分块？
考察角度： 是否知道 chunk 是解决上下文窗口、检索粒度和成本的关键设计。
回答时应该覆盖：
- 不能把整份文档直接塞给模型的原因。
- chunk 大小、overlap、语义完整性之间的权衡。
- 分块失败会导致答案被切断或召回噪音变多。
深入了解： RAG 进阶优化
在 RAG 中，常见的分块策略有哪些？分别有什么区别？
考察角度： 是否能按文档结构选择分块方式。
回答时应该覆盖：
- 固定大小切块、语义切块、父子块的差异。
- 结构化文档优先保留标题层级和段落边界。
- PDF、表格和代码文档需要特别处理。
深入了解： RAG 进阶优化
在 RAG 中的 Embedding 嵌入是什么？
考察角度： 是否理解向量表示在检索里的作用。
回答时应该覆盖：
- Embedding 把文本转成可计算相似度的向量。
- 文档 chunk 和用户问题都要进入同一向量空间。
- Embedding 质量会影响召回上限。
深入了解： Embedding 与向量检索
如何选择 Embedding Model，需要考虑哪些因素？
考察角度： 是否能做工程选型，而不是只报模型名。
回答时应该覆盖：
- 语言、领域数据、向量维度、成本、延迟和部署方式。
- 是否支持长文本、批量处理和稳定版本。
- 用小评测集验证召回质量，而不是只看榜单。
深入了解： Embedding 与向量检索
检索与向量数据库
什么是混合检索？主要解决什么问题？
考察角度： 是否理解向量检索和关键词检索的互补关系。
回答时应该覆盖：
- 向量检索擅长语义相似，BM25 擅长精确词项。
- API 名、版本号、专有名词、代码符号常需要关键词召回。
- RRF 等融合方式为什么比直接加分更稳。
深入了解： RAG 进阶优化
什么是向量数据库？主要解决什么问题？
考察角度： 是否知道向量库不只是“存向量”，还负责近似搜索和元数据过滤。
回答时应该覆盖：
- 存储向量、原文片段、元数据和索引。
- 支持相似度搜索、过滤、更新和删除。
- 在 RAG 中承担召回层基础设施角色。
深入了解： 向量数据库工程
向量数据库中的 ANN 是什么？为什么需要用它？
考察角度： 是否理解大规模向量搜索不能靠暴力全量比对。
回答时应该覆盖：
- ANN 是近似最近邻搜索，用精度换速度。
- 数据量大时全量计算成本过高。
- 需要在召回率、延迟和资源之间取舍。
深入了解： 向量数据库工程
HNSW、LSH、PQ 分别是什么意思？
考察角度： 是否了解常见向量索引背后的基本思路。
回答时应该覆盖：
- HNSW 通过图结构做高效近邻搜索。
- LSH 用哈希把相似向量映射到相近桶。
- PQ 通过量化压缩降低存储和计算成本。
深入了解： 向量数据库工程
余弦相似度、欧几里得距离和曼哈顿距离有什么区别？
考察角度： 是否理解相似度度量会影响召回结果。
回答时应该覆盖：
- 余弦更关注方向，常用于文本语义相似。
- 欧几里得关注空间距离，受向量长度影响更明显。
- 选哪个要看模型训练方式和向量库默认配置。
深入了解： 向量数据库工程
Rerank 与查询改写
什么是 RAG 中的 Rerank？具体需要怎么做？
考察角度： 是否知道 Rerank 是召回后的精排，不是召回替代品。
回答时应该覆盖：
- 先用向量或混合检索召回候选集。
- 再用 Cross-Encoder 或 Rerank API 重新判断 query-doc 相关性。
- 适合“召回到了但排序不准”的场景。
深入了解： RAG 进阶优化
什么是查询扩展？为什么在 RAG 中需要查询扩展？
考察角度： 是否理解用户问法和文档写法不一致的问题。
回答时应该覆盖：
- 用多种改写问法扩大召回覆盖面。
- 合并、去重、重新排序多个查询结果。
- 额外模型调用会增加延迟和成本。
深入了解： RAG 进阶优化
什么是自查询？为什么在 RAG 中需要自查询？
考察角度： 是否知道检索不只有语义匹配，也可以生成结构化过滤条件。
回答时应该覆盖：
- 从自然语言里提取时间、作者、类型等过滤条件。
- 结合元数据过滤提高检索准确性。
- 风险是条件解析错误导致漏召回。
深入了解： RAG 进阶优化
什么是提示压缩？为什么在 RAG 中需要提示压缩？
考察角度： 是否知道召回内容太多时的上下文压缩问题。
回答时应该覆盖：
- 在检索后、生成前压缩无关或冗余内容。
- 降低 token 成本，减少模型注意力被噪音稀释。
- 压缩可能丢失细节，不能替代精准召回。
深入了解： RAG 进阶优化
调优与评估
如何优化 RAG 的检索效果？
考察角度： 是否能按层排查，而不是一上来改 prompt。
回答时应该覆盖：
- 先打印召回 chunk，看正确答案是否在 top-k。
- 再调整清洗、分块、Embedding、混合检索和 Rerank。
- 最后才优化生成层 prompt 和引用约束。
深入了解： RAG 进阶优化
如何进行 RAG 调优后的效果评估？
考察角度： 是否知道 RAG 评估要拆成检索层和生成层。
回答时应该覆盖：
- 检索层看 Recall@k、命中率、召回片段质量。
- 生成层看答案正确性、忠实性、引用是否对应。
- 用固定测试集对比每次优化前后的变化。
深入了解： AI 应用评测
RAGAS 这类自动化评测框架主要评什么？
考察角度： 是否知道自动评测框架不是只给一个总分，而是把 RAG 失败拆成可定位的维度。
回答时应该覆盖：
- 常见维度包括 context precision、context recall、faithfulness 和 answer relevancy。
- 检索相关指标看上下文是否找对，生成相关指标看答案是否忠实于上下文。
- 自动评测适合回归对比，但关键样本仍要人工抽查，避免评测模型本身误判。
深入了解： AI 应用评测
当召回结果与用户 query 意图不匹配时，有哪些改进方向？
考察角度： 是否能定位召回偏差来源。
回答时应该覆盖：
- query 改写、查询扩展、元数据过滤和混合检索。
- 检查 chunk 是否过碎、过大或缺少标题上下文。
- 构建查询日志和失败样本集持续评估。
深入了解： RAG 进阶优化
多个知识库做 RAG 时，怎么兼顾效率、准确性并减少幻觉？
考察角度： 是否能设计多知识库路由和结果融合。
回答时应该覆盖：
- 先做知识库路由或意图识别，减少无关库检索。
- 每个库内召回后统一 Rerank 和去重。
- 生成时保留来源边界，避免跨库混编没有依据的答案。
深入了解： RAG 原理
使用 LangChain 实现 RAG 时，如何处理 PDF 表格数据召回问题？
考察角度： 是否知道真实文档解析比示例文本复杂。
回答时应该覆盖：
- 表格不要简单按行切碎，尽量保留表头和单元格关系。
- 可以把表格转 Markdown、HTML 或结构化 JSON 再入库。
- 对表格类问题单独评估召回，不要只看普通段落效果。
深入了解： RAG 进阶优化