RAG 的流程与理解
哪些公司问过
答案要点
- RAG = 检索增强生成:检索外部知识并拼入 prompt,由 LLM 基于它生成回答
- 解决三类问题:知识过时、幻觉、私域知识缺失
- 离线:文档解析 → 分块(chunking)→ 嵌入向量化 → 写入向量库并建索引
- 在线:问题向量化 → 检索 Top-K → 可选重排(rerank)→ 拼接 prompt → 生成并给出引用
- 效果取决于切分策略、嵌入模型、检索(混合检索)与重排、提示词设计
易错点
- 把 RAG 说成“把文档塞给模型”:核心是检索加筛选
- 只说向量检索,不提混合检索和重排
- 忽视切分质量:块切坏了检索再好也答不对
- 没有评测:不知道改动是变好还是变差
面试官常见追问
- 如何触发向量数据库检索?
- RAG 有哪些常见问题,怎么改进?
- Chunk 大小怎么定?
- RAG 和微调怎么选?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。