RAG 面试题介绍

原创公众号@小宇宙面试笔记RAG大约 4 分钟约 1311 字 RAG 面试题介绍 大家好，我是小宇宙。 RAG 现在基本上是 AI 应用里的标配了，不管你做的是智能客服、知识问答还是企业内部搜索，底下大概率都有一套 RAG 系统在跑。所以只要你面的是 AI 工程方向的岗位，RAG 几乎是必问的，而且面试官问起来特别喜欢一路往深了追，从「RAG 是什么」一直追到「你线上遇到过什么坑」，很多同学前面几个问题答得还行，越往后越接不住。 所以我从网上各种真实面经里收集了 20 道 RAG 方向的高频面试题，都是真实面试里被问过的，帮大家把 RAG 从原理到工程落地这条线完整地过一遍。涵盖 RAG 原理、文档切割、Embedding 选型、向量数据库、检索优化、Query 改写、多路召回、幻觉规避等面试题。 每道题的写法跟 Agent 专题一样，开头先来一段「面试翻车现场」，模拟真实对话让你看看这道题答不好会怎么被怼，然后我再把知识点从根上讲透。目的不是让你背一套标准答案，而是让你真正理解了，不管面试官怎么换着花样问，你都能自己推出来。 题目目录 下面简单说一下这 20 道题大概覆盖了哪些内容，你可以挑自己不熟的先看。 前三道聊的是 基础概念 ，RAG 到底是什么、完整的工作流程长什么样、它主要解决了大模型的哪些问题、跟微调比各自适合什么场景，这几道是面试开场必问的，得答出层次来，不能只说一句「RAG 就是检索增强生成」就完了。 第 4 到第 9 题聊的是 索引构建 ，也就是 RAG 系统搭起来之前你必须搞定的那些事：文档怎么切、切多大合适、语义被切断了怎么办、Embedding 是什么怎么选、有哪些 Embedding 算法、向量数据库怎么选型怎么用。这块的问题看着简单，但面试官一深挖就会发现你有没有真正动手做过，每道题背后都有坑。 第 10 到第 16 题聊的是 检索优化 ，这是最容易在面试里拉开差距的部分。大部分人能说出「用向量检索」，但再往下问 Query Rewrite 是什么、为什么要做、多路召回具体怎么设计、有哪些更高级的 RAG 范式（比如 Self RAG、Corrective RAG）、图数据库什么场景下能派上用场，很多人就答不上来了。偏偏这些恰恰是面试官最爱深挖的地方，因为这些才是区分「用过 RAG」和「真正优化过 RAG」的分水岭。 最后第 17 到第 20 题聊的是 生产落地 ，幻觉怎么规避、效果怎么量化评估、知识库怎么做动态更新，还有一道开放题「你觉得 RAG 落地最难的地方在哪」。最后这道题没有标准答案，但能答好的人，面试官基本就认可你是真正在线上跑过 RAG 系统的，不是只停留在 demo 阶段。 1. 什么是 RAG？详细描述一个完整 RAG 系统的详细工作流程？ 2. 大模型的 RAG 主要用来解决什么问题？ 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？ 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？ 5. 怎么规避语义被切割掉的问题？ 6. 在 RAG 中 Embedding 究竟是什么？如何选择和评估一个 Embedding 模型？ 7. Embedding 有哪几种算法你了解过吗？ 8. 什么是向量数据库？有没有做过向量数据库的对比选型？ 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？ 10. 你使用 RAG 给大模型一个输入，系统是怎样的工作流程？ 11. 请你介绍一下向量检索和关键词检索的区别？ 12. 如何润色用户的 Query（Query Rewrite）？目的是什么？ 13. 什么是多路召回？具体怎么做？ 14. RAG 检索优化策略有哪些？ 15. 了解哪些更复杂的 RAG 范式？ 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？ 17. 如何规避 RAG 系统中大模型的幻觉？ 18. 怎么量化你的 RAG 效果？ 19. RAG 知识库如何实现动态与持续更新？ 20. 在实际落地中，你觉得 RAG 最难的地方是哪里？ 对了，大模型面试题会在「 公众号@小宇宙面试笔记题 」持续更新，林友们赶紧关注起来，别错过最新干货哦！