面经合集

RAG和知识库问的还挺频繁的，我把自己面试时候遇到的这个模块的问题、牛客上翻到的接近200篇面经，还有市面上常见的Agent八股里的RAG部分重新捋了一遍，搞定下面这20道基本就够了。
重点搞清楚是“为什么这么切”“效果差怎么查”等流程，兄弟们最好能对着自己的项目说，融合一下。

按频次做了个排序👇

1. RAG 从入库到检索生成的完整流程是什么？（37篇）
2. Chunk 怎么切，chunk_size 与 overlap 为什么这样设？（35篇）
3. RAG 效果怎么评估，检索指标与最终答案指标如何区分？（18篇）
4. 为什么要 Rerank，Cross-Encoder 与向量相似度有什么区别？（15篇）
5. 向量检索与关键词检索有什么区别，为什么要混合？（14篇）
6. 知识库如何增量更新、删除并保持索引一致？（12篇）
7. PDF、表格、图片与扫描件如何解析和检索？（10篇）
8. 向量数据库和 ANN 索引怎么选，HNSW 如何工作？（9篇）
9. Embedding 模型如何选型，向量维度有什么影响？（8篇）
10. RAG 召回率或准确率低时，如何逐层排查与优化？（6篇）
11. GraphRAG 或知识图谱适合解决什么检索问题？（6篇）
12. top_k、阈值和检索预算怎样通过实验确定？（6篇）
13. 多路召回如何融合，RRF 为什么不直接比较原始分数？（5篇）
14. RAG、微调和长上下文各解决什么问题？（5篇）
15. Query Rewrite 怎么做，如何处理口语、错字与指代？（4篇）
16. 召回文档相互矛盾或过期，如何判断可信证据？（4篇）
17. BM25 原理是什么，和 TF-IDF 有什么不同？（3篇）
18. 如何实现答案溯源、引用位置与来源跳转？（3篇）
19. 如何设计知识库的租户、组织和文档权限过滤？（3篇）
20. Agentic RAG、多轮检索与普通 RAG 有何不同？（2篇）