RAG面试题库:22道核心题帮你拿下AI岗位

这篇文章整理了 22 道 RAG 核心面试题，从基础概念到进阶实战，每道题都配有详细答案和延伸追问。建议先收藏，面试前系统性复习一遍。

一、 RAG 到底是什么

题目一：什么是 RAG ，它解决了什么问题

RAG 是 Retrieval-Augmented Generation 的缩写，中文叫检索增强生成。

说白了，就是在让大模型回答问题之前，先去知识库里找相关资料，把找到的内容喂给模型，让它基于这些事实来生成答案。

这样做有两个好处：一是模型能回答训练数据里没有的内容，二是答案有依据，不会瞎编。

题目二： RAG 的基本流程

分两个阶段：

索引阶段：把文档切成片段 → 转成向量 → 存到向量数据库

查询阶段：用户问题转向量 → 检索相似文档 → 拼进 Prompt → 生成答案

关键是检索准确率。检索不到相关内容，或者检索到一堆垃圾，答案质量都会崩。

面试官可能会追问：检索不准确怎么办？

可以回答：从查询优化、索引优化、重排序三个层面入手。查询扩展、 HyDE 技术、文档切分策略、元数据增强、 Cross-Encoder 重排这些方法组合使用。

二、 Embedding 和向量数据库

题目三： Embedding 模型怎么选

四个因素：

语言支持：中文场景用 BGE 、 M3E 、 Text2Vec ；英文选择更多， OpenAI 的 text-embedding-ada-002 、 sentence-transformers 系列都行。

向量维度：维度越高表达能力越强，但存储和计算成本也高。常见有 384 维、 768 维、 1024 维、 1536 维。

上下文长度：要覆盖文档片段大小，常见 512 、 1024 、 2048 、 8192 。

性能指标：关注 MRR 、 NDCG 、 Recall@K 这些评测指标。

题目四：向量数据库选哪个

Faiss ： Facebook 开源的，适合小规模本地部署，不支持分布式。

Milvus ：专门的向量数据库，支持分布式、多种索引、混合查询，适合生产环境。

Pinecone ：托管服务，开箱即用但成本高，适合快速验证。

pgvector ： PostgreSQL 的向量扩展，已有 PG 基础设施的场景可以复用。

Elasticsearch ：也支持向量搜索，适合需要同时做关键词和向量搜索的场景。

追问可能会问 HNSW 和 IVF 索引的区别。 HNSW 基于图结构，构建慢查询快，适合静态数据。 IVF 基于倒排文件，构建快查询慢一些，适合动态更新。

三、检索优化核心技巧

题目五：怎么提高检索准确率

三个层面：

查询优化：查询扩展（改写成多个同义表达）、查询分解（拆成子问题）、 HyDE （生成假设答案再检索）

索引优化：按语义边界切分、元数据增强、摘要索引

重排序：用 Cross-Encoder 二次排序，或者用 LLM 判断文档是否包含答案

题目六：多轮对话怎么处理

用户问题往往依赖上下文，单独检索当前问题可能找不到信息。

几种方案：

历史拼接：把多轮对话拼在一起，但会引入噪声

查询重写：用 LLM 把当前问题改写成独立完整的问题

历史摘要：维护对话摘要，保留关键信息又控制长度

实际中查询重写效果较好。追问可能会问对话历史太长怎么办，回答滑动窗口或定期生成摘要压缩。

题目七：上下文压缩是什么

检索结果太长，超出模型上下文限制，还会干扰注意力。

压缩方法：

Map-Reduce ：分段处理，每段判断相关性，只保留相关部分

Refine ：迭代精炼，先部分文档生成初步答案，再逐步完善

相关性过滤：用轻量级模型计算相关性分数，只保留高分片段

LLM 压缩：提取关键信息生成摘要

实际中组合使用，先粗筛再精筛。

四、进阶话题

题目八： Agentic RAG 是什么

传统 RAG 是一次性检索然后生成。 Agentic RAG 让 Agent 自主决定检索策略，可以多次检索、动态调整查询、主动验证信息。

具体做法：查询重写、多步检索、信息验证、主动追问

优势是能处理复杂查询，比如多跳推理。代价是延迟增加、成本上升。

题目九：混合 RAG 有什么好处

同时用多种检索方式：向量检索+关键词检索、稀疏向量+稠密向量、内部知识库+外部搜索引擎

好处是互补优势，提高召回率和准确率。用户搜产品型号，向量检索可能找不到精确匹配，关键词检索能命中。

实现用 RRF 倒数排名融合合并结果。

题目十： RAG 和知识图谱怎么结合

RAG 处理非结构化文本，知识图谱处理结构化关系，互补。

结合方式：

图谱增强检索：先用知识图谱做实体链接和关系推理，扩展查询语义

结构化 RAG ：把知识图谱作为检索源，直接检索三元组

混合推理：同时参考文本片段和知识图谱

追问可能问 GraphRAG 原理：用 LLM 从文档提取实体和关系构建图谱，查询时做社区发现找到相关子图，再结合文本生成答案。

五、幻觉与评估

题目十一：怎么避免大模型幻觉

多管齐下：

RAG 增强：让模型基于检索内容生成

Prompt 约束：明确要求基于上下文回答

事实校验：对关键事实用外部工具验证

引用溯源：要求模型给出信息来源

置信度评估：低置信度时提示用户

幻觉没法完全避免，但能大幅降低。关键是让模型有自知之明，不确定时不强行回答。

题目十二： RAG 系统怎么评估

检索阶段： Recall@K 、 MRR 、 NDCG

生成阶段：答案相关性、答案忠实度、答案完整性

评估方法：手工标注测试集、 LLM 当评判员、端到端人工评估

落地要建立持续评估机制，定期抽样，收集反馈，形成数据闭环。

六、企业落地实战

题目十三： RAG 企业落地有什么挑战

三方面：

数据挑战：文档质量参差不齐、权限控制、数据更新同步

技术挑战：系统集成、高可用部署、安全合规

运营挑战：效果持续优化、成本控制、用户培训

追问可能问权限控制怎么实现：文档级别打标签，检索时根据用户权限过滤。

题目十四：文档分块大小和 topK 怎么选

没有固定标准，要通过实验确定。

分块大小：太小丢失上下文，太大降低精度。通常几百个 Token ， 256 到 512 之间。按段落或章节边界切分比固定长度好。

topK 参数：权衡召回率和成本。先设较大值比如 10 到 20 ，实验找最优。复杂问题增大 K ，简单问题减小 K 。

七、高频追问汇总

面试官喜欢追问，准备这些：

Embedding 和 One-Hot 区别： One-Hot 维度高稀疏无法表达语义相似性， Embedding 维度低稠密语义相似距离近

召回相似度算法：余弦相似度（关注方向）、欧氏距离（直线距离）、点积（最快）

召回与重排区别：召回快速筛选追求高召回率，重排精确排序追求高准确率

流式输出实现：模型生成过程中逐步返回，前端边收边展示

Milvus 和 ES 向量功能区别： ES 向量是附加功能， Milvus 是专业向量库性能更好

写在最后

这 22 道题覆盖了 RAG 的核心知识点：基础概念、 Embedding 选型、向量数据库、检索优化、 Agentic RAG 、幻觉处理、企业落地。

面试时别只背答案。结合自己的项目经验，准备具体案例和数据支撑。面试官问"怎么提高检索准确率"，你说"我们在项目中用 HyDE 技术，召回率从 65%提升到 82%"，比干巴巴讲原理强多了。

RAG 是大模型落地的主流方案，这个技能越来越重要。系统性学一遍，面试时从容应对。

推荐阅读