RAG（检索增强生成）面试指南

一、核心概念与流程什么是 RAG解决了什么问题RAGRetrieval-Augmented Generation将“外部知识检索”与“大模型生成”相结合。流程为用户提问 → 从外部知识库检索相关信息 → 将检索结果与问题一同输入大模型 → 生成最终回答。解决的问题减少幻觉答案基于检索到的真实信息。实时更新知识无需重新训练模型只需更新知识库。增强领域能力通过注入专业文档提升垂直领域表现。降低训练成本避免为更新知识而频繁微调或重训模型。RAG 的基本工作流程数据处理与入库加载文档 → 清洗 → 切分为文本块 (Chunk) → 向量化 (Embedding) → 存入向量数据库。检索用户提问 → 向量化 → 在向量库中检索 → (可选) 混合检索与重排序 (Rerank)。生成将检索到的相关片段与问题组合成Prompt → 大模型生成回答。RAG vs. 微调 (SFT) 的区别知识来源RAG 依赖外部知识库检索SFT 将知识“固化”在模型参数中。更新成本RAG 更新知识库即可成本低SFT 需要重新收集和训练数据成本高。事实准确性RAG 更高有据可查SFT 可能产生幻觉。推理开销RAG 需要实时检索链路更长SFT 仅为模型前向计算。适用场景RAG 适合知识频繁更新、长尾问题SFT 适合统一模型风格、格式或行为。️ 二、检索与索引模块文本切分 (Chunking) 为何重要有哪些策略切分策略直接影响检索的召回率和答案生成的准确性。切分过大引入过多噪音干扰模型判断。切分过小语义不完整导致答案碎片化。常见策略固定长度切分如按300-500 tokens切分。结构化切分按文档标题、章节等自然结构切分。滑动窗口块与块之间设置重叠 (Overlap)防止信息割裂。语义切分基于句子或段落边界进行切分。Embedding 模型和维度如何影响 RAG模型选择入库和查询必须使用同一个模型。领域相关场景如法律、代码应选用专用 Embedding 模型。向量维度维度越高语义表示能力越强但检索和存储开销也越大。需在效果与性能间权衡。常见的向量检索算法Flat暴力搜索精度最高但速度最慢。IVF (Inverted File)通过聚类建立索引牺牲部分精度换取速度。HNSW (Hierarchical Navigable Small World)基于图结构在精度和速度间取得良好平衡是工业界主流选择。FAISS / OpenSearchFAISS 适合单机或GPU加速OpenSearch 等则提供分布式和企业级功能。什么是混合检索 (Hybrid Search)混合检索结合了 向量检索 (捕捉语义) 和 关键词检索 (如BM25, 精确匹配)以提升召回率和稳定性。特别适用于代码、产品名、规范等场景。什么是重排序 (Rerank)为什么需要重排序是使用一个更精细的模型通常是 Cross-Encoder对初步检索出的结果进行重新打分和排序。原因初步检索如向量检索是“粗排”仅计算向量相似度重排序模型能进行深度语义匹配显著提升 Top-1 或 Top-3 的准确率。常用模型bge-reranker, cross-encoder/ms-marco 等。✍️ 三、生成与 Prompt 设计如何减少 RAG 的“幻觉”Prompt 约束明确要求模型“仅基于提供的上下文回答”并设计引用格式。置信度控制当检索结果相关性低时让模型拒绝回答。引入结构化知识结合知识图谱 (KG) 等增强事实约束。后处理与反思利用 ReAct 等模式让模型对生成结果进行自我检查和修正。如何设计 RAG 的 Prompt核心原则是清晰界定“上下文”、“问题”和“回答要求”。角色设定定义模型身份如“你是一个专业的客服助手”。上下文注入明确提供检索到的文档片段。指令约束要求模型仅依据上下文回答并给出引用来源。输出格式规定回答的格式如JSON, Markdown列表。思维链 (CoT)对于复杂问题引导模型分步推理。Query 改写 (Query Rewriting) 是什么为何重要Query 改写旨在将用户的原始问题可能含糊、简略优化为更适合检索的形式。重要性解决指代不明如“它”、表达模糊等问题显著提升检索命中率。常见技术LLM 语义改写补全上下文生成更清晰的查询。多路查询 (Multi-Query)为同一问题生成多个不同表述的查询分别检索后合并结果。关键词扩展提取核心关键词增强关键词检索效果。 四、效果评估与指标RAG 的效果如何评估通常分模块进行评估检索层指标评估检索结果的质量。 * Recallk相关文档被召回的比例。 * Precisionk召回文档中相关文档的比例。 * MRR (Mean Reciprocal Rank)第一个相关文档排名的倒数平均值。 * NDCG (Normalized Discounted Cumulative Gain)考虑排序位置的加权得分。生成层指标评估最终回答的质量。忠实度 (Faithfulness)答案是否基于检索到的上下文。相关性 (Relevance)答案是否准确回答了用户问题。人工评估对回答的流畅性、无害性等进行综合评判。 五、工程优化与架构演进如何降低 RAG 的延迟检索优化减少 top_k 数量使用 HNSW 等高效索引对热点查询进行缓存。模型加速使用更轻量的 Embedding 和生成模型或对模型进行量化。架构优化多路检索并行化压缩文本块内容仅将最相关的片段送入大模型。RAG 有哪些常见的高级架构RAG-Fusion并行执行多路检索不同方式或参数融合各路结果后生成答案提升覆盖率和稳定性但成本和延迟更高。GraphRAG / KG-RAG引入知识图谱先抽取实体关系再进行图采样或子图遍历将结构化知识融入上下文增强推理能力。Agentic RAG赋予大模型使用工具如搜索、数据库查询的能力使其能自主决定检索策略实现动态、多步的复杂问答。RAG 在实际工程中的常见挑战与对策内容缺失/召回率低优化切分和检索策略引入混合检索和重排序。数据质量差加强数据清洗、去重和格式统一。复杂文档处理对表格、PDF等采用 LayoutLM、OCR 等工具进行结构化解析。知识库更新设计自动化流水线实现文档的增量更新和索引重建。安全与合规防范 Prompt 注入攻击对敏感信息进行脱敏处理。学习资源推荐如果你想更深入地学习大模型以下是一些非常有价值的学习资源这些资源将帮助你从不同角度学习大模型提升你的实践能力。一、全套AGI大模型学习路线AI大模型时代的学习之旅从基础到前沿掌握人工智能的核心技能​因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取二、640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示​因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取三、AI大模型经典PDF籍随着人工智能技术的飞速发展AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型如GPT-3、BERT、XLNet等以其强大的语言理解和生成能力正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取四、AI大模型商业化落地方案作为普通人入局大模型时代需要持续学习和实践不断提高自己的技能和认知水平同时也需要有责任感和伦理意识为人工智能的健康发展贡献力量。