RAG 面试专题

RAG 原理、文档切分、Embedding、向量库、检索优化、落地

题目列表

• 1. 什么是 RAG？详细描述一个完整 RAG 系统的详细工作流程？
• 2. 大模型的 RAG 主要用来解决什么问题？
• 3. 相比直接微调 LLM，RAG 解决了什么问题？微调和 RAG 各自的优劣势是什么？
• 4. RAG 中的文档是怎么存的？粒度是多大？详细说说文档切割（Chunking）策略？
• 5. 怎么规避语义被切割掉的问题？
• 6. 在 RAG 中 Embedding 究竟是什么？如何选择和评估一个 Embedding 模型？
• 7. Embedding 有哪几种算法你了解过吗？
• 8. 什么是向量数据库？有没有做过向量数据库的对比选型？
• 9. 讲讲你用的向量数据库？数据量级是多大？性能如何？遇到过性能瓶颈吗？
• 10. 你使用 RAG 给大模型一个输入，系统是怎样的工作流程？
• 11. 请你介绍一下向量检索和关键词检索的区别？
• 12. 如何润色用户的 Query（Query Rewrite）？目的是什么？
• 13. 什么是多路召回？具体怎么做？
• 14. RAG 检索优化策略有哪些？
• 15. 了解哪些更复杂的 RAG 范式？
• 16. 在什么场景下，你会选择使用图数据库来增强传统的向量检索？
• 17. 如何规避 RAG 系统中大模型的幻觉？
• 18. 怎么量化你的 RAG 效果？
• 19. RAG 知识库如何实现动态与持续更新？
• 20. 在实际落地中，你觉得 RAG 最难的地方是哪里？