RAG 全链路:切分、Embedding、检索与重排
哪些公司问过
答案要点
- 流程:文档解析切分 → Embedding 入库 → 查询召回 → Rerank → 拼上下文 → LLM 生成
- 切分要保持语义完整,可用重叠窗口、递归切分
- Embedding 把文本转向量做相似度检索,可结合关键词检索做混合召回
- Rerank 用交叉编码器精排,质量更高但更慢
- 评估:检索用 Recall@K、MRR,生成看忠实度和答案相关性,辅以人工评测
易错点
- 只讲检索,不讲切分和重排
- 认为向量检索不需要评估召回
- 不处理表格和图片内容
- 把 RAG 的所有问题都归咎于大模型
面试官常见追问
- 如何提升知识检索的回答准确率?
- 知识库怎么解析表格和图片?
- Rerank 为什么能提升效果?
- RAG 的效果怎么量化?
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。