RAG 面试题大全与知识体系

先做项目，再刷题

• RAG 智能问答系统：11 章从原理到评测
• 用 30 行代码跑通你的第一个最小 RAG
• 没有大模型项目经验，怎么攒出能写简历的 RAG 项目
• RAG 项目面试如何连续深挖（教学复原）

RAG 基础与整体架构(62 题)

• 什么是 RAG？一句话讲清检索增强生成 — 用开卷考试的思路，补上大模型的知识短板
• RAG 和微调怎么选？ — 从时效性、成本、幻觉三个角度给出判断口诀
• RAG 完整流程分几步？ — 解析、分块、向量化、检索、生成，五步讲透全链路
• 大模型幻觉是什么？怎么缓解？
• 增量式向量索引怎么更新?
• 对话模型准确性怎么提?
• RAG 核心架构与工作流程
• 分布漂移下外接数据库怎么增强模型?
• RAG vs 传统检索生成怎么选?
• 垂直领域 RAG 完整架构
• RAG 怎么提升生成准确性?
• RAG 怎么提升生成质量?
• RAG 检索模块怎么提升相关性?
• 多目标优化权重怎么定?
• 地图避障方法有哪些局限?
• RAG 索引构建管线
• LangChain vs LlamaIndex 架构差异？
• RAG 查不到文档怎么降级?
• 高精度RAG系统设计陷阱
• 医疗法律RAG架构怎么搭？
• RAG 检索增强技术有哪些？
• 医疗 RAG 索引如何保合规?
• RAG 怎么提升事实准确性?
• LangChain vs LlamaIndex 场景怎么选？
• CTR/CVR/ROI 冲突怎么协调?
• RAG 检索噪声怎么处理?
• 豆包等产品多轮一致性挑战与方案?
• 新用户冷启动：生成式推荐与Embedding
• RAG 知识库怎么增量更新?
• 搜索排序权重怎么动态调?
• 查询文档相关性怎么算?
• LLM怎么融入推荐系统？意图理解与生成
• 外挂数据库怎么提升大模型准确性?
• 多信号评分函数原理与陷阱
• 推荐不准的分层诊断
• 搜索评分如何融合点击与停留?
• RAG 模型分类有哪些?
• 现代 RAG 架构怎么变?
• 时间窗口对话系统：约束与取舍
• RAG 二次生成怎么提升安全性?
• 偏好数据如何收集与建模?
• 生成式推荐的序列原理
• 生成式推荐系统未来怎么发展？
• 生成式与判别式推荐选型
• 用户兴趣模型：数据与特征取舍
• ROI 问题怎么影响推荐效果?
• Query 改写有哪些创新方法?
• 动态增量更新怎么防检索偏差?
• 搜索排序中时效性特征量化方法
• 内容热门度怎么量化?
• 推荐不精准怎么诊断?
• 时间窗口对话管理机制
• 逻辑引导怎么用？
• 人工干预怎么控制 LLM 生成?
• 排序模型初始权重怎么设?
• 大模型输出怎么检测和过滤?
• RAG 技术原理与核心组件详解
• 上下文错误时怎么保证输出准确?
• RAG 项目指标化复盘
• RAG 检索准但回答差怎么调?
• LLM 封闭标签方法对比
• Deep Research vs RAG 怎么选?

文档处理与分块(29 题)

• 长文档 Chunking 怎么选? — 医学法律领域 RAG 系统文本切分策略对比,5 种方法优缺点分析
• 文本块怎么转向量并建索引? — RAG 场景下嵌入模型选型与向量数据库索引机制(HNSW/IVF)详解
• Chunking 策略怎么选? — RAG 系统中 4 种分块方法原理对比,对检索与生成的影响
• RAG 向量索引构建流程详解
• RAG 数据处理与索引流程?
• Chunk 向量化与索引怎么选?
• Embedding+向量库怎么做语义匹配?
• RAG 文本分块与向量索引流程
• RAG ANN 索引优化
• Chunking 策略怎么平衡上下文与精度?
• RAG 长文档怎么切块?
• RAG 数据清洗与 Chunking 怎么选?
• Embedding 模型选型 vs 落地流程?
• RAG 知识库搭建流程?
• RAG知识库构建流程详解
• 医学论文与法律条文切块
• 医疗法律文档切块
• 专业领域文档怎么清洗?
• RAG 文档 Chunk 划分策略怎么选?
• RAG 分块策略选型
• RAG分块策略：粒度、重叠与写入
• RAG 分块参数调优
• 分块策略怎么影响检索?
• 常用分块方法有哪些?
• RAG 分块长度与重叠如何取舍?
• RAG向量化流程：预处理到归一化
• RAG向量化：分块与Embedding
• RAG 文档怎么存储和向量化?
• RAG文本向量化：分块与嵌入陷阱

向量检索与召回(49 题)

• 什么是 Embedding 向量嵌入？ — 给文字发语义坐标，让机器学会算“意思像不像”
• 向量数据库和普通数据库有什么区别? — 从精确匹配到相似检索,一文看懂 ANN 为什么快
• 混合检索怎么提升 RAG 召回? — Sparse(BM25) vs Dense(向量检索)原理与相似度度量差异
• RAG Retriever 工作机制详解
• Embedding 怎么实现语义召回?
• BM25 原理与 TF-IDF 改进点
• 混合检索为什么优于单一检索?
• BM25 vs 向量检索 vs 混合检索怎么选?
• 召回 vs 粗排怎么分工?
• 召回阶段怎么选方法?
• BM25公式参数含义与TF-IDF对比
• RAG 召回又快又准靠什么?
• RAG检索器与索引结构怎么选？
• 召回模型怎么搭建?
• 稀疏稠密与混合检索
• 混合检索为什么用 Sparse+Dense?
• 多路召回 vs 排序模型怎么分工?
• RAG 工作流怎么应对时效衰减?
• RAG 向量库怎么处理时间衰减?
• Embedding升级后向量对齐方案
• LLM怎么融入推荐系统？特征提取与召回
• LLM怎么融入推荐系统？序列建模与排序
• 向量数据库选型关键因素有哪些？
• RAG 向量检索怎么高效召回?
• BM25 公式与 TF-IDF 对比
• Embedding + 向量数据库怎么搭?
• BM25 参数 k1/b 调优
• 中文知识库检索选型
• 推荐不准的算法改进
• Embedding 模型结构选型
• Hard Search vs Soft Search 怎么选?
• BM25原理、应用场景及与TF-IDF区别
• Embedding 相似性检索原理与索引构建
• 检索失败时 RAG 怎么兜底?
• Embedding 向量维度选型
• 向量召回实现方式有哪些?
• 向量召回原理与实现?
• 向量检索加速：有哪些陷阱
• 向量检索 4 种范式怎么选?
• RAG检索质量差：Embedding与Rerank调优
• RAG 技术实现怎么落地?
• RAG文本分段策略与重叠机制
• ANN 索引怎么构建?
• RAG 知识库怎么存?
• RAG向量匹配原理与ANN算法取舍
• RAG 向量匹配怎么高效实现?
• RAG 知识库存储怎么选?
• Embedding 相似性检索怎么工作?
• 向量检索基本原理是什么?

重排与检索优化(70 题)

• 医疗法律 RAG 架构关键环节 — 医疗/法律场景下数据预处理、检索器与生成器优化方案
• RAG检索质量提升5法 — 查询扩展、重排序、混合检索等 5 种方法原理与适用场景详解
• RAG Retriever 工作流程详解 — 从查询预处理到向量检索、排序筛选,各环节技术要点与性能影响
• 专业领域RAG链路优化陷阱
• 向量数据库怎么支撑 Agent 记忆?
• RAG 瓶颈在哪一步
• RAG 检索偏差怎么系统性解决?
• RAG 为什么需要 Re-ranking?
• RAG 原理与核心架构
• RAG流程：检索到生成各阶段陷阱
• RAG检索不准的失败场景与优化
• RAG 系统迭代优化方向有哪些?
• 精排精度高，为何不跳过召回粗排？
• 直接精排所有候选，为何不可行？
• RAG 流程各阶段怎么拆?
• RAG 完整工作流程怎么跑?
• RAG 检索优化:重排序怎么用?
• RAG 为何还要重排?
• 记忆型Agent为何用向量数据库?
• RAG 重排序怎么选?
• RAG 中 Re-ranking 怎么用?
• 召回和粗排为什么不能跳过?
• RAG 重排收益与成本
• RAG 系统怎么持续迭代?
• RAG 重排作用与实现
• Naive RAG vs Advanced RAG 区别?
• RAG 流程各环节优化陷阱
• RAG 流程：检索、融合、生成
• RAG 延迟与准确率优化
• RAG流程优化：三大层面策略
• RAG 为什么需要 Rerank?
• 两阶段检索 vs 直接重排?
• RAG 延迟准确率根因
• RAG Query 改写方法
• RAG增强与生成如何衔接？
• RAG 工作原理与核心组件
• RAG 技术实现流程怎么走?
• RAG 工作流程与关键技术组件
• RAG 文档处理与检索策略怎么搭？
• RAG 组件功能与数据流向?
• RAG检索方法选型原因？
• RAG 核心实现原理是什么?
• BM25/向量/混合检索选型
• 专业领域RAG数据与检索优化？
• RAG检索方法如何优化？
• RAG 架构组件与失败场景
• RAG 流程优化：检索与重排陷阱
• RAG 怎么解决大模型幻觉?
• RAG 架构：检索到生成全链路
• RAG 局限性怎么破?
• RAG 系统实现：组件与流程
• 领域 RAG 架构如何控幻觉?
• RAG架构：检索器与重排序策略
• RAG 检索器与知识库怎么搭?
• RAG 两阶段架构：模块与数据流
• RAG 架构怎么搭?
• RAG 系统核心组件怎么搭?
• BM25+向量+Cross-Encoder 怎么组合?
• RAG检索优化：向量检索与重排序
• Context vs Prompt Engineering 区别?
• RAG 检索器与生成器如何协同？
• RAG 系统有哪些常见陷阱?
• 推荐结果多样性怎么控制?
• RAG 系统实现流程怎么搭?
• 语义检索向量数据库构建流程
• 两阶段 vs 端到端怎么选?
• RAG 召回准确性：三大失败场景
• RAG 为何需要重排序?
• 向量数据库 vs 传统数据库怎么选？
• RAG 三阶段原理与失败场景

知识图谱增强(35 题)

• LLM 事实准确性怎么保证? — 金融场景下知识图谱+LLM 一致性方案,含具体实施策略
• 医疗法律 RAG 合规追溯 — 医疗/法律 RAG 的合规、权限、证据追溯和拒答
• GraphRAG 原理与构建方法 — 知识图谱构建、图检索与传统向量检索的差异与优势
• 知识图谱更新：增量 vs 流式
• GraphRAG原理 vs 传统RAG 怎么选?
• GraphRAG 增量更新怎么保实时?
• GraphRAG 最大技术挑战?
• GraphRAG 怎么实现复杂查询?
• GraphRAG vs 传统 RAG 优势在哪?
• GraphRAG 架构原理与优势
• 伪多模态与原生多模态差在哪?
• GraphRAG 技术难点有哪些?
• GraphRAG 增量更新策略与挑战？
• GraphRAG 知识图谱构建有哪些挑战?
• GraphRAG 为何召回更精准?
• GraphRAG 精准召回三大依赖
• GraphRAG适用场景 vs 传统RAG 有哪些?
• RAG 系统痛点怎么破?
• GraphRAG 如何保证时效性与一致性？
• RAG+KG Agent 动态更新机制
• 知识图谱怎么动态更新?
• 不用图数据库能做 GraphRAG 吗?
• GraphRAG 必须用图数据库吗?
• GraphRAG创新点 vs 传统RAG 是什么?
• RAG 技术原理和实现流程
• GraphRAG 怎么提升检索质量?
• GraphRAG 怎么提升检索效果?
• 知识图谱更新怎么保证实时性与一致性?
• 知识图谱实时性怎么保证?
• GraphRAG 原理与实现方法
• GraphRAG 工作原理是什么?
• 向量索引 vs 分层存储怎么选？
• 向量库 vs 知识库 vs 符号记忆？
• 数据/架构/推理/工具怎么选?
• 训练/推理/外部知识怎么选?

常见问题

RAG 面试一般会考哪些问题？

围绕你简历上的 RAG 项目逐层追问：为什么这样分块、召回率怎么测、混合检索和重排为什么要加、幻觉怎么归因。背概念挡不住追问，最好把一个完整 RAG 系统亲手做一遍。

没做过 RAG 项目，直接背面试题有用吗？

用处有限。面试官继续追问时会检查实现、实验与职责。建议先按自己的基础完成公开教程和一个可运行版本，再回来按模块刷题查漏，每道题用口语版练「讲出来」。

RAG 的 chunk 大小到底怎么选？

没有万能值：先按文档结构（标题 / 段落）切，再用 QA 评估集量化不同 chunk 大小的召回率，用数据说话。这是高频追问，教程第 3 章带你完整重现一次选型实验。

2026 年了，RAG 还值得学吗？会不会被长上下文取代？

值得。知识频繁更新、需要引用溯源、成本受限的场景仍以 RAG 为主流方案；面试考察重点已从「是什么」转向「怎么做好检索质量与评估」，门槛在变高而不是消失。