万级长文档如何构建 RAG 知识库
哪些公司问过
答案要点
- 离线链路:解析(含 OCR、表格)→ 清洗去重 → 结构化切分 → 向量化入库
- 长文档按标题、段落切分并保留重叠,附带章节路径、页码等元数据
- 用父子分块或文档摘要做两级检索,兼顾检索精度与上下文完整性
- 混合检索(向量 + BM25)加重排模型,并支持元数据过滤
- 基于内容哈希做增量更新,建评测集评估召回率与回答质量
易错点
- 按固定字数硬切,把表格、句子、章节切断,导致语义破碎
- 只做向量检索,对专有名词、编号类查询召回差
- 不保留元数据,回答无法溯源,也无法按权限或时间过滤
- 没有评测集,分块和检索参数全凭感觉调
面试官常见追问
- chunk 大小怎么定?
- 为什么要加重排?
- 文档更新了怎么办?
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。