AI Agent全栈架构

主题

RAG 高频面试题

在 RAG 中，常见的分块策略有哪些？分别有什么区别？

这道题常用来区分“会背 RAG 名词”和“能把 在 RAG 中，常见的分块策略有哪些？分别有什么区别 落到工程链路里”的候选人。

适合阶段：RAG 项目面 / Agent 工程面核心能力：概念边界 · 工程取舍 · 生产落地

面试官角度分析，想考什么 ​

  • 真实问法：在 RAG 中，常见的分块策略有哪些？分别有什么区别？
    是否能按文档结构和任务类型选择切分策略，而不是只背固定长度切分。
  • 能不能讲清边界
    面试官想确认你是否知道这个能力解决什么问题、不解决什么问题，以及它和相邻方案的差异。
  • 有没有工程调优意识
    合格答案要能落到文档、索引、检索、重排、Prompt、评估、成本和权限等实际环节。
  • 能不能处理失败情况
    生产 RAG 不只追求答对，还要能发现召回差、证据不足、引用错误、旧版本命中和越权风险。

可直接抄走的 30 秒参考答案 ​

text
常见分块策略有固定长度切分、递归字符切分、按标题或段落结构切分、语义切分、表格和代码专用切分，以及 parent-child 分块。固定切分简单稳定但容易切坏结构；结构切分更适合 Markdown、Word 和 HTML；语义切分能按主题变化断开但成本更高；parent-child 适合小块检索、大块回答。

面试回答详解，知其所以然 ​

这道题不要只背术语。更稳的回答方式是：先说明它在 RAG 链路中的职责，再讲实现机制，最后补上参数取舍、评估方式和生产风险。

1. 先给出核心定义 ​

常见分块策略有固定长度切分、递归字符切分、按标题或段落结构切分、语义切分、表格和代码专用切分，以及 parent-child 分块。固定切分简单稳定但容易切坏结构；结构切分更适合 Markdown、Word 和 HTML；语义切分能按主题变化断开但成本更高；parent-child 适合小块检索、大块回答。

text
用户问题 -> 检索策略 -> 证据上下文 -> 模型生成 -> 引用与评估

2. 放到完整 RAG 链路里理解 ​

  • 固定长度切分：按字符或 token 数切，易实现、易复现，适合基线，但会切断标题、句子、表格和代码。
  • 递归切分：按标题、空行、句子、标点逐级尝试，兼顾结构和长度，是很多项目的默认起点。
  • 结构切分：优先保留标题层级、列表、表格、代码块、页码和章节路径，适合文档质量较好的知识库。
  • 语义切分：根据相邻句子的语义距离找断点，适合主题混杂的长文本，但要额外 embedding 成本和阈值评估。
  • Parent-child：用小块建索引，命中后取父章节或邻近窗口进 prompt，缓解“检索要小、生成要大”的矛盾。

3. 讲清工程取舍 ​

  • 准确率和召回率：不能只追求 top-1 看起来相关，要确认正确证据是否稳定进入候选集。
  • 成本和延迟：更大的 top_k、更复杂的重排、更长的上下文会提升机会，也会增加 token、算力和 P95 延迟。
  • 可维护性：文档版本、索引版本、embedding 模型版本和 prompt 版本都要可追踪，否则线上问题很难复现。
  • 安全边界：权限过滤、租户隔离、来源可信度和无答案拒答要放在检索链路里，而不是只靠前端隐藏。

4. 面试里可以主动补充的生产细节 ​

  • 建一套覆盖高频、长尾、无答案、权限、旧版本和冲突证据的评估集。
  • 记录每次请求的 query、rewrite、召回候选、分数、rerank 结果、最终上下文、答案和引用。
  • 对低置信检索结果触发扩大召回、改写查询、澄清问题、拒答或转人工。
  • 每次改 chunking、embedding、向量索引、reranker 或 prompt，都要做 case-level diff 和回归验证。

面试官追问3个问题 ​

追问一：如果线上效果不好，你先排查哪里？ ​

  • 考察点：是否具备分层定位能力。
  • 回答方向：先看 trace，确认正确证据有没有进入召回候选；如果候选里没有，查解析、切分、embedding、索引和 query rewrite；如果候选里有但没进上下文，查 rerank、过滤和 top-K；如果上下文里有但答错，查 prompt、模型和引用校验。

追问二：这个能力的参数怎么调？ ​

  • 考察点：是否知道参数不能凭感觉。
  • 回答方向：用固定评估集比较 recall@k、MRR、上下文精度、faithfulness、最终准确率、P95 延迟和 token 成本，按业务风险选择阈值和默认值。

追问三：生产上最容易忽略什么？ ​

  • 考察点：是否有真实落地意识。
  • 回答方向：容易忽略版本、权限、引用和无答案场景。RAG 系统必须记录索引版本、文档版本、metadata、引用来源和低置信兜底策略，否则很难做到可信和可回滚。

扩展知识 ​

一个通用排障框架 ​

text
文档是否解析对 -> chunk 是否切得合适 -> embedding 是否匹配 query -> 索引和过滤是否正确 -> rerank 是否把证据排前 -> prompt 是否约束模型 -> 答案是否忠于引用

常见错误回答 ​

  • 只说“把资料放进向量数据库”，没有解释检索、重排、Prompt 和评估。
  • 把相似度分数当成可信度，没有说明证据校验和引用对齐。
  • 忽略权限、版本和删除传播，导致旧文档或越权内容进入上下文。
  • 用单个 demo case 证明效果，没有离线评估集和线上 trace。

基于 MIT 协议开源

Copyright © 2026 AI Agent全栈架构