AI专项完整解析RAG 面试题
RAG 检索优化策略有哪些？
先建立可复现评测集，再分别优化查询、切分、召回、重排和生成，避免只凭演示样例调参数。
AI专项大模型AgentRAG大厂高频面试ai核心题完整解析编辑精选
直接结论
RAG 优化应从失败分类和评测开始，而不是先更换向量模型。建立代表真实问题的评测集，并标注应命中的文档或可接受答案；分别测检索召回、排序质量、答案正确性、引用支撑和拒答表现。常见手段包括改进文档清洗与切分、保留元数据、查询改写、混合稀疏与向量检索、过滤、扩大候选集后重排，以及让生成阶段只依据检索证据作答。每次只改变可解释变量并回归测试。
原理与步骤
检索链路可拆为摄取、分块、索引、查询表达、候选召回、排序和上下文组装。块太小会丢上下文，太大则稀释相关信号并增加 token；重叠能缓解边界，但提高存储与重复。向量相似度不等于事实相关性，结构化字段和关键词常能补足专有名词、编号与日期。评测既要有离线指标，也要有端到端任务成功率；对没有唯一标准答案的生成结果，可用明确评分标准和人工抽检校准自动评估。
工程场景
客服知识库先从线上未解决会话抽样，去除敏感信息后形成问题集，标注正确政策页和有效日期。基线记录 top-k 命中率、首个相关结果位置、答案引用覆盖率和延迟成本。若专有产品编号召回差，加入关键词或字段过滤；若命中文档却答错，检查块边界、上下文排序和提示约束，而不是继续调 embedding。发布采用影子流量或小比例实验，并按问题类型观察退化，保留可回滚的索引版本。
验证与边界
自动评估模型也会偏差，必须用人工一致性样本校准；评测集若来自同一批文档或提示，会造成过拟合。高 top-k 召回不保证最终答案正确，引用存在也不证明引用真正支持结论。文档更新需要删除、重建和权限同步，检索层不能绕过访问控制。验证还应加入无答案、冲突来源、过期资料、提示注入和超长上下文案例，并明确系统何时拒答或转人工。
答题练习
- 1先建代表性评测集
- 2拆分检索与生成失败
- 3混合召回和重排按问题使用
常见错误
- 凭几个演示样例更换模型
- 把相似度或引用存在当事实正确
可能追问
- 如何标注检索 ground truth
- 如何防止评测集过拟合
来源记录
- 原始来源
- 小林面试笔记
- 来源页面
- 大模型面试题
- 最近收录
- 2026-07-05
- 官方复核
- OpenAI Developers