知识入库与向量表示
4 道题目查看参考回答收起参考回答
RAG（检索增强生成）通过检索外部知识，为大模型提供相关上下文，辅助生成有依据的回答。 以向量检索为例，完整流程分为两个阶段：
- 索引阶段（离线）：加载、清洗文档，切分为适合检索的片段，通过 Embedding 模型进行向量化，建立索引，并关联保存片段原文、来源等元数据。
- 检索生成阶段（在线）：将用户问题向量化，检索
Top-K相关片段，按需过滤和重排，再将片段原文、原始问题和回答要求组织成 Prompt，由大模型生成答案。
例如，员工问“出差怎么报销”，系统先检索报销流程、凭证要求等制度条款，再据此组织回答。向量用于查找资料，片段原文才是模型生成答案的主要依据。
评估时，需要分别检查检索的相关性与覆盖度，以及答案的正确性和忠实性。其中，忠实性关注结论是否得到所用资料支持。资料不足时说明缺口，知识发生变化后同步更新索引及关联内容。
来源 · 64 篇面经 · 1 篇笔试记录 · 20 份题集收起来源
介绍RAG流程;介绍对编码模型的了解、原理、优缺点;如何评估编码模型的能力
【企业级RAG设计】设计企业级RAG系统，包含分层记忆架构：L1滑动窗口、L2摘要压缩（LLM与规则剪枝）、L3长期文件存储。 「字节Seed、字节跳动」
在RAG里的"召回-过滤-生成"三段式 pipeline能细讲一下吗？
Design an enterprise RAG assistant over 10M documents with per-user permissions.
面试问题：什么是 RAG？从文档入库到生成回答，完整流程是什么？
6、RAG系统从文档进入到最终生成答案的完整流程是什么？离线知识库构建和在线检索阶段分别包含哪些步骤？
项目中的RAG知识用到了哪些？离线上传和在线问答环节如何进行？
8.rag流程
8. 介绍一下项目中的 RAG 流程，离线建库和在线检索分别做了什么？
正常来说，一个query进了RAG之后，整体的工作流程是怎样的？
面试问题：RAG 文档处理流程包括哪些步骤？
4. RAG 系统的核心数学不只是余弦相似度吗？
请描述一个完整的 RAG 流水线。
一个完整的 RAG 流水线包含哪些关键步骤？请从数据准备到最终生成，详细描述整个过程。
描述一下完整的 RAG 系统工作流程？
RAG 工作原理了解吗？
你说你做过 RAG 项目，能完整讲一下从用户提问到最终回答的链路吗？
RAG 的核心概念及完整流程是什么？
RAG的基本流程
你使用 RAG 给大模型一个输入，系统是怎样的工作流程？
查看参考回答收起参考回答
RAG 文档切分要在“检索能定位”和“片段足以回答”之间取舍。 常见策略有四类：
- 固定长度切分：按字符数或 Token 数分块，适合快速建立基线。
- 递归切分：优先按段落、句子等边界切分，超长部分再继续细分。
- 结构化切分：依据标题、条款、函数或表格等文档结构组织片段。
- 语义切分：根据相邻内容的语义变化确定边界，同时限制块的最小和最大长度。
确定块大小时，先明确长度单位与 Embedding 输入上限，再看问题需要多大的证据单元。块太小，容易拆开前提和结论；块太大，会混入多个主题，增加检索噪声与生成成本。通常先保留自然边界，超长部分递归细分，再用同一批业务问题比较块大小和重叠量，检查证据召回、答案质量、延迟与成本。
例如运维手册中的适用版本、触发条件和恢复步骤应能一起取回。需要“小块定位、大段阅读”时，可以用父子块，把写入索引的子块与交给模型阅读的父段落分开。
来源 · 36 篇面经 · 25 份题集收起来源
知识库文档怎么切片合适？
【语义切分】常见的语义切分你知道哪些？ 「腾讯」
【混合内容切片策略】如果用户的文档同时包含大段正文和密集的表格数据，你会采用统一的切片策略吗？ 「字节跳动」
在构建知识库时，文本切块策略至关重要。你会如何选择合适的切块大小和重叠长度？这背后有什么权衡？
Compare fixed-size chunking, semantic chunking, and recursive chunking.
面试问题：Markdown、PDF 和代码文件的切分方式有什么不同？
7. RAG项目的分块策略有哪些？
11.长文档切片的粒度你一般怎么选择？
9. 文档如何切块？Chunk 大小和重叠窗口是根据什么确定的？
4. 数据怎么分块
面试问题：如何选择语义块规模（chunk size）和 重叠度（chunk overlap）？如何平衡上下文完整性与检索精度？
在 RAG 中，为什么要把文档划分成多个块进行索引？如何解决文档分块后内容上下文缺失的问题？如何处理跨片段的依赖关系？
文本切块应该怎么设计？有哪些常见坑？
在构建知识库时，文本切块策略至关重要。你会如何选择合适的切块大小和重叠长度？这背后有什么权衡？
文档分块策略怎么设计？chunk 大小怎么定？
如何选择合适的 Chunking 策略？
Chunk 切大还是切小？如何处理标题、表格、代码块和多模态内容？
Chunk 大小、Overlap、语义边界应该怎么取舍？
你们 Chunk 策略怎么设计的？chunk size 设的多少？为什么？
文档分块（chunking）的策略有哪些？如何选择 chunk size？
RAG 中长文本应该如何切分，如何选择合适的切分策略？
如何设计一个好的Chunking方案
怎么规避语义被切割掉的问题？
分块策略是怎么设计的？
RAG 文档切分中遇到代码块、表格、标题等特殊内容怎么处理？
查看参考回答收起参考回答
Embedding 模型选型要同时看任务匹配、业务检索效果和部署成本。 模型负责把问题与文档编码为可比较的向量；选择时可以按三步判断：
- 筛选候选：确认是相似问句匹配，还是短问题检索长文档，再检查语言、领域术语、有效输入长度、资源和许可条件。
- 业务评测：用同一套文档与问题，比较证据
Recall@K、排序质量、实际回答效果，以及延迟、吞吐和费用。榜单用于筛选，不能代替本业务评测。 - 正确接入：文档离线编码建索引，问题在线编码检索；两侧遵循模型相互对齐的输入约定，并匹配维度、归一化和距离度量。
例如中文问题需要查英文故障手册时，要测试跨语言检索，而不只看模型是否标注“支持中文和英文”。更换模型也不只是替换查询端：同维度不代表同一向量空间，通常需要重算文档向量、建立新索引，验证后再切换。
来源 · 9 篇面经 · 21 份题集收起来源
Embedding 模型选型：OpenAI vs BGE vs M3E
Embedding模型选择（如何确定业务最适合的模型？）
【Embedding与Rerank模型选择及微调数据构造】embedding和rerank模型用的什么，如果做微调数据你会怎么构造？ 「蚂蚁集团」
【Embedding模型部署】embedding模型是线上?为什么没考虑线下部署? 「阿里巴巴」
【向量化服务要求】向量化服务是整个流程的关键环节之一，你认为向量化服务需要满足哪些性能或质量要求？ 「美团」
为什么选择当前方案而非其他？为什么该方案有效？其他方案有考虑吗？ 为什么选择当前模型/架构/技术方案？请结合项目背景说明选型原因，包括模型参数量选择、算力与数据量、后训练方法、数据来源等核心思路。 你的选型考量? 整个RAG系统都是自己写的吗？文档解析为什么选择 MinerU 和 PaddleOCR-VL? 除了用这些模型，会去关注他的文章或者技术吗？除了简历上的项目，你近期花时间比较多、自己比较感兴趣的前沿技术有哪些？项目中使用的Embedding模型、重排模型、向量数据库，选型依据是什么？对比过哪些方案？项目中如何选取模型，实际效果如何？项目为什么不考虑端到端方案？ 「京东、字节Seed、字节跳动、拼多多、百度、美团、腾讯、腾讯混元、蚂蚁集团、阿里巴巴、阿里通义」
如何选择一个合适的嵌入模型？评估一个 Embedding 模型的好坏有哪些指标？
How do you choose an embedding model for your RAG system?
How do you benchmark and evaluate embedding model quality?
面试问题：Embedding 模型怎么选？调用云端 API 和本地部署有什么取舍？
9、Embedding模型如何选择？不同Embedding模型会对检索效果产生哪些影响？
3. Embedding用的什么模型，是分块Embedding吗
如何选择一个合适的 Embedding 模型？评估它好坏看什么？
如何选择一个合适的嵌入模型？评估一个 Embedding 模型的好坏有哪些指标？
Embedding 模型怎么选型？维度越高越好吗？
RAG 系统中 Embedding 模型怎么选？为什么？
RAG 系统中 Embedding 模型怎么选？为什么？
你们用的什么 Embedding 模型？为什么选它？和 OpenAI 的 ada-002 对比过吗？
你了解哪些Embedding模型
在 RAG 中 Embedding 究竟是什么？如何选择和评估一个 Embedding 模型？
Embedding 模型怎么选？选型时考虑哪些因素？
查看参考回答收起参考回答
常见方案包括 Milvus、Qdrant、Chroma 等专用向量数据库，PostgreSQL 的 pgvector 扩展，以及 Elasticsearch、OpenSearch、Redis 等系统提供的向量检索能力。FAISS 也常用于向量检索，但它主要是相似搜索与聚类算法库，不能直接等同于提供完整数据管理、权限和服务接口的数据库。
选型先看需求，再筛选候选方案：
- 查询怎么做：只查相似向量，还是要同时满足租户、时间、文档版本等过滤条件，结合关键词与重排。
- 数据怎样变化：向量数量、维度、增长速度、更新删除频率，以及写入后多久必须可查、旧内容多久必须不可见。
- 质量与性能目标：在目标召回率下能否满足并发、尾部延迟、内存和费用预算。
- 交付与运维条件：现有数据库和搜索体系能否复用，是否需要分片、高可用、备份恢复、访问控制，团队能承担多少维护工作。
已有 PostgreSQL、需要向量与业务字段一起管理时，可以先评估 pgvector；已有 ES、又重视全文搜索和向量组合时，可以先评估现有搜索系统。专用数据库则作为独立检索服务的候选。最终用相同数据和查询条件验证，而不是规定“超过多少条就必须换某个产品”。
来源 · 15 篇面经 · 16 份题集收起来源
向量数据库选型：Milvus vs Weaviate vs Pinecone vs Chroma
为什么选择 XX 向量库？
向量库选 Milvus 还是 Qdrant？为什么 SQLite + FTS5 在端侧更合理？
【向量检索与Embedding选型】在RAG系统中，常见的向量检索模型有哪些？你们选择了什么向量模型（如OpenAI Embedding，具体维度是多少）？为什么选择该模型？是否做过不同Embedding模型的对比评测？为什么要做向量化？为什么选择这个向量数据库？ 「字节跳动、美团、腾讯、蚂蚁集团」
【向量数据库选型】为什么选择Milvus，有没有了解其他向量数据库？ 「京东」
为什么选择当前方案而非其他？为什么该方案有效？其他方案有考虑吗？ 为什么选择当前模型/架构/技术方案？请结合项目背景说明选型原因，包括模型参数量选择、算力与数据量、后训练方法、数据来源等核心思路。 你的选型考量? 整个RAG系统都是自己写的吗？文档解析为什么选择 MinerU 和 PaddleOCR-VL? 除了用这些模型，会去关注他的文章或者技术吗？除了简历上的项目，你近期花时间比较多、自己比较感兴趣的前沿技术有哪些？项目中使用的Embedding模型、重排模型、向量数据库，选型依据是什么？对比过哪些方案？项目中如何选取模型，实际效果如何？项目为什么不考虑端到端方案？ 「京东、字节Seed、字节跳动、拼多多、百度、美团、腾讯、腾讯混元、蚂蚁集团、阿里巴巴、阿里通义」
面试问题：向量数据库怎么选？你会考虑哪些因素？
4.你的智能体上下文是怎么分层？怎么设计的？上下文存储在哪里？长短期记忆怎么划分？RAG数据库都有哪些，它们各自的区别？
8. 用的什么数据库
面试问题：向量数据库在 RAG 中扮演什么角色？如何选择向量数据库？
向量数据库怎么选型？你们项目用的哪个？
向量数据库怎么选？
向量数据库如何选型？HNSW、IVFFLAT 这些索引适合什么场景？
你们项目用的什么向量数据库？为什么选它？
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？
向量数据库怎么选型？不同规模下该用什么方案？
检索、融合与重排
4 道题目查看参考回答收起参考回答
两者的主要区别是怎样判断相关：关键词检索以词项匹配为基础，向量检索以向量空间中的相似度为基础。 在 RAG 中，向量检索通常指用 Embedding 模型生成稠密向量做语义召回。
- 关键词检索：对文本进行分词等分析，通过倒排索引找到命中词项的文档，再用
BM25等算法排序，适合错误码、产品型号和专有名词。 - 向量检索：把问题和文档编码到兼容的向量空间，按余弦相似度、内积等度量找相近片段，适合用户换一种说法、文档却没有相同关键词的情况。
例如，“E1042 怎么处理”需要重视错误码命中；“刚登录不久就被迫退出”可能需要匹配“令牌过期排查”。两类信号可以互补，选择时要看查询特点、召回质量和成本；任何一种相关性分数都不能直接证明文档事实正确。
沿着两个查询往下看：错误码适合精确匹配词项，换一种说法的问题则可借助向量寻找语义相关内容。图中同时列出两条检索链路、各自容易遗漏的情况，以及候选合并的位置。
来源 · 13 篇面经 · 9 份题集收起来源
面试问题：pgvector 和 PostgreSQL FTS 分别负责什么？
13. 你刚才提到传统检索是基于词的相似度匹配，不涉及语义。那如果企业内部有大量存在表述差异，但高度相关的文档，比如不同部门对同一业务流程的不同口径记录这种场景下，传统检索加生成会出现什么核心问题。
检索用的向量检索还是匹配检索
语义检索和关键词检索有什么不同？
向量检索、关键词检索、混合检索分别适合什么场景？
向量检索和关键词检索有什么区别？
不同检索方式各有什么问题
请你介绍一下向量检索和关键词检索的区别？
图检索、向量检索、混合检索有什么区别？怎么选？
查看参考回答收起参考回答
向量检索与 BM25 负责从不同角度召回候选，融合负责合并两路排序，重排负责进一步判断问题与候选片段的相关性。 它们通常按以下流程协作：
- 确定租户、权限和版本等检索范围，让两路召回都遵守这些条件。
- 并行执行向量召回和
BM25召回：前者覆盖语义改写，后者保留错误码、型号等词项信号。 - 按片段 ID 合并候选，保留各路排名与来源，再用
RRF等方法融合。 - 对有上限的候选集合执行 Rerank，选取更相关的片段；最后去冗余、补充必要上下文并保留引用，交给大模型生成答案。
例如，问“E1042 导致频繁退出怎么办”，BM25 有助于找准错误码，向量检索补充不同表述的排障资料，重排再区分“只提到故障”和“给出适用处理步骤”的候选。候选里没有正确证据时，重排无法把它补回来。
来源 · 8 篇面经 · 13 份题集收起来源
【混合检索与召回优化】检索阶段怎么做，为什么混合检索效果更好?如何尽可能召回与query相关的Document问题？ 「字节跳动、腾讯混元」
Sparse 检索和 Dense 检索的基本原理分别是什么？为什么在实际系统中要做混合检索？稀疏检索和稠密检索的结果如何做融合排序？你了解RRF吗？ 「字节跳动、美团」
What is hybrid search (combining keyword search with vector search)?
面试问题：介绍一下你项目里的 Hybrid RAG 流程，双路召回后怎么得到最终的 TopK？
讲讲RAG的混合召回
检索融合的具体流程是什么？召回后有没有做 Rerank？
面试问题：关键词检索、BM25、向量检索、混合检索和最大边际相关性（MMR）分别解决什么问题？
面试问题：Dense Retrieval、Sparse Retrieval、Hybrid Search 的打分函数有什么区别？
向量相似度检索不能实现关键词的精确匹配，基于倒排索引的关键词检索不能匹配语义相近的词，如何解决这对矛盾？为什么需要重排序模型？
混合检索、重排序和查询改写分别解决什么问题？
什么是多路召回？具体怎么做？
Rerank 放在哪里？
RAG如何做检索(BM25,Embedding,混合检索)
查看参考回答收起参考回答
BM25 与向量检索的原始分数含义和尺度不同，通常先分别召回，再以同一知识块 ID 合并，用 RRF 按排名融合；需要保留分数差异时，也可以在校准后加权。实现主线是：
- 两路使用一致的业务范围、权限和版本条件，各自返回候选、分数与排名。
- 按稳定的
chunk_id对齐同一知识块，保留它在每一路的排名，避免重复文本占满候选池。 - 用融合规则计算统一排序。
RRF让在多路靠前的候选累积贡献，无需直接比较BM25分数和余弦相似度。 - 对融合后的候选按预算截取，再按需要交给 Reranker 精排，最后组装回答上下文。
例如用户查询带错误码的故障处理方法，关键词通道可以补充准确命中错误码的手册，向量通道可以补充不同措辞的处理说明。融合负责把这些候选排到一个列表里，是否真正改进回答还要用问题集评估。
来源 · 6 篇面经 · 5 份题集收起来源
【混合检索策略】项目中RAG混合检索的策略是怎么样的？ 「腾讯」
Sparse 检索和 Dense 检索的基本原理分别是什么？为什么在实际系统中要做混合检索？稀疏检索和稠密检索的结果如何做融合排序？你了解RRF吗？ 「字节跳动、美团」
Hybrid Search 是什么？BM25 和向量检索怎么融合？
混合检索（BM25 + 向量）如何设计与融合？
为什么在检索阶段引入BM25？它和向量检索怎样组合？
查看参考回答收起参考回答
初筛召回要在大量文档中快速找到候选，重排则在这批候选里更细地判断哪些片段真正回答了当前问题。向量检索通常把查询和文档分别压成向量，擅长找语义相近内容，但可能把相似主题、相近型号或条件不符的片段排到前面。
常见Cross-Encoder重排将查询与一个候选一起输入模型，让两者在注意力层中交互，因此能更细地比较对象、关系、否定条件和语境。代价是每个查询—文档对都要重新计算，所以先高效召回，再对有限候选重排，而不是对整个知识库逐对评分。
来源 · 3 篇面经 · 10 份题集收起来源
【排序与重排】1. 精排的Scaling，主要是在Scaling什么？2. 重排序（Rerank）的作用是什么？为什么向量召回后必须做重排？如果没有Reranker，线上效果会下降在哪些指标？ 「美团、阿里巴巴、阿里通义」
What is re-ranking, and how does it improve RAG retrieval quality?
面试问题：Rerank 主要解决什么问题？为什么放在召回和融合之后？
8.为什么在初筛召回之后，还要加一个Rerank模型？它能解决向量搜索的哪些局限？
为什么检索之后还需要 Rerank？
为什么 Rerank 有用？
Rerank 的作用是什么？什么时候值得引入？
正确文档进入了候选池，却总是排在 TopK 之外，应该调整召回还是引入 Rerank？
为什么需要 rerank？常见 rerank 方法有哪些？
为什么不只做Rerank，而是对粗粒度的结果做精排？
查询优化与知识更新
4 道题目查看参考回答收起参考回答
Query Rewrite 把用户问题转换成更适合检索、但保持原始意图的查询，主要解决口语和文档用词不一致、多轮指代或省略、以及一个问题包含多个检索点等情况。
它通常位于 RAG 在线问答的查询理解阶段、检索召回之前。向量检索分支应先得到改写文本，再生成查询向量；关键词分支用相应的检索词执行查询。召回之后再进行结果合并、筛选或重排，组织证据并生成回答，不需要因此重新计算整库文档向量。
例如前一轮已经明确在讨论“产品 A 的企业版”，用户再问“它支持私有部署吗”，可以补成“产品 A 企业版是否支持私有化部署及部署条件”。如果产品或版本尚未确定，就应澄清，不能靠模型猜出来。改写通常保留原始问题作为对照，必要时让原 Query 和改写 Query 分别召回，减少改错意图造成的遗漏。
来源 · 5 篇面经 · 6 份题集收起来源
【检索后处理与重排序】RAG检索到的文档顺序不好怎么办？RAG检索召回的片段中，有一些质量差的，如果排除掉? 你们是把 rewrite放在检索前还是后？ 「字节跳动、百度、腾讯混元」
什么是查询重写？它有什么作用？如何基于 Spring AI 实现查询重写？
混合检索、重排序和查询改写分别解决什么问题？
什么是 Query Rewrite？为什么需要改写用户查询？
如果用户的问题很模糊，检索效果差，怎么办？
如何润色用户的 Query（Query Rewrite）？目的是什么？
查看参考回答收起参考回答
父子检索把用于匹配的小块与用于阅读的较大上下文分开。入库时保存父段或章节，并把其中的子块写入检索索引，记录子块到父对象的关联；查询先命中子块，再按关联取回相应父段，去重后组织成生成上下文。
这样做是为缓解粒度矛盾：小块主题集中，便于定位具体内容，但可能缺少标题、前置条件或相邻说明；父段能补足这些背景。它适合答案经常跨段、上下文依赖强的文档，但父块过大会增加噪声与成本，因此仍要控制范围、版本、权限和总预算。
来源 · 5 篇面经 · 5 份题集收起来源
What is parent-child chunking, and how does it improve retrieval?
面试问题：什么是父子文档检索？它和相邻块扩展有什么区别？
5. RAG中的父子索引是什么？解决了什么问题？
为什么在 RAG 流程中引入父子索引（Parent-Document Retrieval）？
父文档是怎么得到的？语义切分具体是怎么做的？聚类后怎么区分不同文档？
查看参考回答收起参考回答
图片等非文本内容，要同时解决怎样表示和检索，以及命中后怎样让模型读懂这两个问题。入库时保留原始内容、文档位置和来源，再按信息特点选择三种可组合的方式：
- 转成文本或结构化内容：扫描文字用
OCR，表格还要恢复行列与表头关系，再接入文本或结构化检索。 - 生成图片描述供检索：用视觉模型描述图中对象、关系和主题，将描述与原图关联；检索命中描述后取回原图。
- 直接做视觉或跨模态检索：用适合图文匹配的模型编码图片或文档页面，让文字问题能够检索视觉内容。
回答时把相关文本、原图或局部区域交给支持相应输入的模型，并提供出处。文字密集的扫描件可以先用 OCR；图表、流程图和依赖空间关系的问题，通常需要保留视觉信息，不能只把图片删掉或保存成一个文件名。
来源 · 5 篇面经 · 9 份题集收起来源
RAG有哪些分类;多模态RAG有哪些实现框架;伪多模态RAG和多模态RAG分别怎么实现,有什么区别;CLIP可以用于哪一类多模态RAG
What is multi-modal RAG, and how does it differ from text-only RAG?
Your text-only RAG system now needs to handle images and tables. How do you extend it?
9. 如何解析知识库中的表格/图片文件？
1.MRAG 1.0、2.0和3.0在文档解析与索引、检索策略和生成模块设计上有哪些核心差异？
复杂文档 RAG 或多模态 RAG 应该怎么做？
如何处理多模态内容？
表格、代码块、图片、多模态内容进入 RAG 前怎么处理？
构建知识库时如何解析上传的表格或图片文件？
查看参考回答收起参考回答
把知识更新与在线查询解耦：日常变更做增量处理，模型或切分迁移做后台重建，校验后切换可查询版本。在线请求持续读取一个完整有效版本，不能先删空旧库，再等待新索引生成。
同时维护文档ID、版本、处理状态和派生片段关系，新增、修改、删除与权限变化都进入更新链路。服务不停不代表数据瞬时最新，应明确业务能接受的同步延迟和紧急撤回要求。
来源 · 4 篇面经 · 8 份题集收起来源
设计一个 Agent 知识库更新系统
【实时更新一致性】如果商品知识库实时更新，你怎么保证 RAG 的召回结果和库存一致？ 「京东」
RAG 知识库怎么实现动态更新？
知识库更新有哪些常见坑？
知识库更新如何保证一致性、可回滚和不停机？
知识库更新如何做灰度、回滚和审计？
RAG 知识库如何实现动态与持续更新？
知识库持续更新时，如何保证一次 RAG 回答读取同一逻辑快照？