RAG 专题

RAG 面试题介绍

共 20 题 · 左侧目录可快速跳转

RAG 是 AI 工程岗位的高频考点。本专题参考小林面试笔记的结构，采用「面试对话 → 简要回答 → 详细解析」帮助系统复习。

20 道题覆盖基础概念、索引构建、检索优化与生产落地：从 RAG 原理与工作流程，到 Chunking、Embedding、向量数据库，再到 Query Rewrite、多路召回、幻觉规避与效果评估。

题目目录

1. 什么是 RAG？详细描述一个完整 RAG 系统的详细工作流程？已收录
2. 大模型的 RAG 主要用来解决什么问题？已收录
3. 相比直接微调 LLM，RAG 解决了什么问题？微调和 RAG 各自的优劣势是什么？已收录
4. RAG 中的文档是怎么存的？粒度是多大？详细说说文档切割（Chunking）策略？已收录
5. 怎么规避语义被切割掉的问题？已收录
6. 在 RAG 中 Embedding 究竟是什么？如何选择和评估一个 Embedding 模型？已收录
7. Embedding 有哪几种算法你了解过吗？已收录
8. 什么是向量数据库？有没有做过向量数据库的对比选型？已收录
9. 讲讲你用的向量数据库？数据量级是多大？性能如何？遇到过性能瓶颈吗？已收录
10. 你使用 RAG 给大模型一个输入，系统是怎样的工作流程？已收录
11. 请你介绍一下向量检索和关键词检索的区别？已收录
12. 如何润色用户的 Query（Query Rewrite）？目的是什么？已收录
13. 什么是多路召回？具体怎么做？已收录
14. RAG 检索优化策略有哪些？已收录
15. 了解哪些更复杂的 RAG 范式？已收录
16. 在什么场景下，你会选择使用图数据库来增强传统的向量检索？已收录
17. 如何规避 RAG 系统中大模型的幻觉？已收录
18. 怎么量化你的 RAG 效果？已收录
19. RAG 知识库如何实现动态与持续更新？已收录
20. 在实际落地中，你觉得 RAG 最难的地方是哪里？已收录