RAG 检索增强生成

RAG 是大模型落地企业知识库、私有数据问答的标准范式。本章从Naive RAG 到 Agentic RAG 全覆盖。

本章内容

• Naive RAG 与瓶颈 — 索引、检索、生成三段式与已知问题
• RAG 选型面试深挖 — 托管知识库、自建向量库、评估指标与退出条件
• 文档切分策略 — 固定 / 语义 / 递归 / 延迟切分
• 嵌入模型选型 — BGE、E5、OpenAI、Voyage、Cohere 实测
• 向量数据库对比 — Pinecone、Weaviate、Qdrant、Milvus、Chroma、pgvector
• 混合检索 — BM25 + 向量融合方案与 RRF
• 重排序 — 交叉编码器、Cohere Rerank、BGE-Reranker
• 高级 RAG — HyDE、Step-back、Self-RAG、Corrective RAG
• GraphRAG 图增强检索 — Microsoft 图增强检索方案深度剖析
• Agentic RAG — 把检索当工具的 Agent 模式
• RAG 评估方法 — RAGAS、TruLens、DeepEval 实战

RAG 高频面试题逐题版

• 1. 什么是 RAG 检索增强生成？它解决了大模型的哪些问题？
• 2. RAG 的完整工作流程是怎样的？核心步骤有哪些？
• 3. RAG 中的 Embedding 向量化是什么？如何工作的？
• 4. RAG 为什么需要向量数据库？它和传统数据库有什么区别？
• 5. RAG 和模型微调 Fine-tuning 有什么区别？如何选择？
• 6. RAG 中如何计算文本相似度？常见算法有哪些？
• 7. RAG 系统中为什么要进行文档切割？有哪些切割策略？
• 8. RAG 检索中的 Top-K 是什么意思？K 值如何确定？
• 9. 如何为 RAG 系统选择合适的 Embedding 模型？
• 10. RAG 系统如何处理 PDF、Word、Markdown 等不同格式文档？
• 11. RAG 中文档切割的 chunk_size 和 overlap 应该如何设置？
• 12. 如何构建和使用向量索引？HNSW 和 IVF 有什么区别？
• 13. 什么是 RAG 混合检索？如何实现向量检索和关键词检索结合？
• 14. RAG 检索时相似度阈值如何设置？设置不当有什么影响？
• 15. RAG 系统如何利用元数据过滤提升检索精度？
• 16. RAG 中如何设计 Prompt 来有效利用检索到的文档？
• 17. 如何处理 RAG 检索不到相关文档的情况？
• 18. RAG 系统如何标注信息来源和提供引用？
• 19. RAG 中如何实现向量数据库的增量更新？
• 20. 如何为 RAG 项目选择向量数据库？Milvus、Pinecone、Chroma 怎么选？
• 21. RAG 中的查询重写 Query Rewriting 是什么？如何优化检索效果？
• 22. RAG 为什么需要重排序 Reranking？如何实现？
• 23. 如何评估 RAG 系统的效果？检索和生成分别看哪些指标？
• 24. 如何减少 RAG 系统的幻觉问题？有哪些实用方法？
• 25. RAG 系统在生产环境中如何优化性能和降低成本？
• 26. 什么是向量数据库？在基于大模型的应用开发中，向量数据库主要解决什么问题？
• 27. 设计智能客服系统时，如何通过知识库构建解决长尾问题？
• 28. 当发现 RAG 系统召回结果与用户 query 意图不匹配时，有哪些可能的改进方向？
• 29. 使用 LangChain 实现 RAG 系统时，如何处理 PDF 文档中的表格数据召回问题？
• 30. 在 RAG 应用中为了优化检索精度，其中的数据清洗和预处理怎么做？
• 31. 什么是查询扩展？为什么在 RAG 应用中需要查询扩展？
• 32. 什么是自查询？为什么在 RAG 中需要自查询？
• 33. 什么是提示压缩？为什么在 RAG 中需要提示压缩？
• 34. 如何进行 RAG 调优后的效果评估？
• 35. 什么是 RAG 中的分块？为什么需要分块？
• 36. 在 RAG 中，常见的分块策略有哪些？分别有什么区别？
• 37. 在 RAG 中的 Embedding 嵌入是什么？
• 38. 在 RAG 中，你知道有哪些 Embedding Model 嵌入模型？
• 39. 在 RAG 中，你如何选择 Embedding Model 嵌入模型，需要考虑哪些因素？
• 40. 在 RAG 中，索引流程中的文档解析你们怎么做的？
• 41. 你都了解哪些向量数据库？如何选型？
• 42. 向量数据库原理是什么？请简述下它的原理。
• 43. 向量数据库中的 HNSW、LSH、PQ 分别是什么意思？
• 44. 向量数据库中的 ANN 是什么？为什么需要用它？
• 45. 向量数据库的工作流程有哪些？请简述下。
• 46. 余弦相似度、欧几里得距离和曼哈顿距离分别是什么？有什么区别？
• 47. 在 RAG 应用的过程中，关于提示工程的设计有什么心得和技巧吗？
• 48. RAG 的文档处理流程是怎样的？
• 49. 如何优化 RAG 的检索效果？
• 50. 多个知识库做 RAG 时，怎么兼顾查询效率、准确性并减少幻觉？

学习路径

1. 先建立 Naive RAG 的端到端理解（从文档到答案的完整链路）
2. 刷题时按 RAG 高频面试题逐题版 从 1 到 50 顺序过一遍
3. 准备项目深挖时看 RAG 选型面试深挖，先把方案取舍讲清楚
4. 重点优化两个组件：切分策略 和 嵌入模型
5. 进入生产必加 混合检索 + 重排序，召回率立刻起飞
6. 进阶看 高级 RAG / GraphRAG / Agentic RAG，按场景选用
7. 上线前一定要做 RAG 评估，不能凭感觉