RAG 与知识库面试模块

RAG 是 AI 应用开发面试里最常被追问的方向，因为它能同时考察数据工程、检索系统、Prompt 设计和业务落地。不要只回答“把文档转向量后检索”，那只是最粗的流程。

标准链路

1. 数据接入：PDF、PPT、Word、网页、图片、表格、数据库或内部知识库。
2. 文档解析：文本抽取、OCR、版面还原、表格处理、图片说明、编码清洗。
3. 清洗与结构化：去页眉页脚、去重复、补标题层级、识别章节、保留来源元数据。
4. 切片：按标题、语义段落、Token 长度和业务实体切分，必要时保留重叠窗口。
5. 向量化：选择 Embedding 模型，记录版本、维度、归一化策略和语言适配。
6. 索引：向量库、关键词索引、元数据过滤、权限字段、更新时间。
7. 召回：向量召回、关键词召回、混合召回、多路召回合并。
8. 重排：Cross Encoder、LLM rerank 或规则重排，提高相关性。
9. 生成：把候选片段、问题、约束和引用格式交给模型。
10. 评测：命中率、引用准确率、答案可用率、拒答率、延迟、成本、人工满意度。

高频问题与参考回答

为什么 RAG 不能只靠向量检索？

向量检索擅长语义相似，但对精确词、编号、表格字段、时间、权限过滤和短关键词不一定稳定。生产系统通常会做混合检索：向量召回处理语义问题，关键词或 BM25 处理精确匹配，元数据过滤保证范围正确，再用重排模型做最终排序。

切片长度怎么定？

切片不是固定 500 字就结束。要看文档结构、问题类型和模型上下文。切太短会丢上下文，切太长会引入噪声并增加 Token 成本。常见做法是：先按标题和段落切，再限制 Token 上限；对定义、流程、表格说明保留相邻上下文；用评测集比较不同切片策略的命中率和答案质量。

如何处理 PDF、PPT、图片和网页？

PDF 要区分可复制文本和扫描件，扫描件需要 OCR；PPT 要保留页标题、文本框顺序和备注；图片要做 OCR 或视觉模型描述；网页要清理导航、广告和脚本噪声。关键是保留来源、页码、章节和时间戳，否则回答无法引用和追溯。

RAG 的幻觉怎么降低？

先从召回质量入手：问题改写、多路召回、重排、阈值过滤。再从生成约束入手：要求只基于给定资料回答、引用来源、资料不足时拒答。最后建立评测和人工抽检：如果答案没有引用、引用不支持结论、或跨权限引用，都要判失败。

项目追问清单

• 你的知识库数据从哪里来，更新频率是多少？
• 文档解析失败如何发现，失败文件怎么重试？
• 切片策略为什么这么定，有没有对比实验？
• 向量库选型是什么，数据量、维度、索引类型和查询延迟是多少？
• 是否做了权限过滤，权限是在召回前过滤还是召回后过滤？
• 如何处理相互冲突或过期的知识？
• 如何评估答案是否真的正确？

可落地架构

层级	组件	关键设计
接入层	文件上传、网页抓取、数据库同步	幂等、去重、权限继承、任务状态
解析层	Parser、OCR、表格识别	失败重试、版面保留、元数据记录
索引层	Embedding、向量库、关键词索引	模型版本、增量更新、删除同步
检索层	查询改写、混合召回、重排	TopK、阈值、过滤、引用片段
生成层	Prompt、LLM、结构化输出	拒答、引用、格式校验
评测层	样例集、人工标注、线上抽检	命中率、引用准确率、满意度

关键细节拆解

文档解析

面试官经常从“PDF 怎么处理”开始追问。可复制 PDF 和扫描 PDF 是两类问题：前者重点是版面和段落顺序，后者重点是 OCR 准确率。PPT 要保留页标题、层级和备注，表格要尽量转成结构化 Markdown 或 CSV，图片如果包含关键文字要做 OCR 或视觉描述。解析结果必须保存页码、章节、标题、来源路径和更新时间，否则后续引用无法追溯。

切片策略

切片要服务召回，不是为了把文本平均切开。制度类文档适合按标题层级切，FAQ 适合按问答对切，表格适合按行或实体切，长流程文档可以按步骤切并保留上下文窗口。切片要避免一个答案跨越太多 chunk，也要避免单个 chunk 太长导致噪声进入上下文。

召回和重排

生产里常见做法是“查询改写 + 混合召回 + 重排”。查询改写解决用户表达不完整的问题；向量召回解决语义相似；关键词召回解决专有名词、编号和精确字段；重排解决 TopK 里相关但不准确的问题。重排后还可以根据来源时间、权限、文档类型和业务优先级做规则调整。

评测集怎么建设

准备三类问题：第一类是标准问题，答案在文档中明确出现；第二类是边界问题，需要多个片段合并；第三类是无答案问题，用来验证拒答能力。每个问题至少标注标准答案、支持片段、允许的同义表达和不允许的错误点。RAG 评测不能只看答案像不像，还要看引用是否支持结论。

评测项	目标	失败表现
Recall@K	正确片段进入候选集	答案明明在库里但检索不到
引用准确率	引用能支撑回答	引用片段和答案无关
拒答率	不知道时不编造	没资料也强行回答
延迟	可接受的响应时间	检索和模型调用过慢
权限正确性	不越权召回	用户看到无权限内容

生产事故追问

如果上线后用户反馈答案错，排查顺序应是：问题是否表达清楚；查询改写是否改偏；召回候选里有没有正确片段；重排是否把正确片段压低；Prompt 是否让模型忽略资料；资料是否过期或冲突；最终回答是否经过引用校验。这个排查链路比直接说“优化 Prompt”更像真实工程经验。

生产级 RAG 技术架构

生产 RAG 可以拆成两条链路：离线索引链路和在线查询链路。离线链路负责采集、解析、清洗、切片、Embedding、权限写入和索引版本管理；在线链路负责问题改写、权限过滤、混合召回、重排、上下文压缩、生成、引用校验和反馈记录。面试时要强调两条链路各自可观测，否则很难定位问题。

链路	核心步骤	关键指标
索引链路	解析、清洗、切片、向量化、入库	解析成功率、索引延迟、重复率、权限覆盖率
查询链路	改写、召回、重排、生成、引用	Recall@K、MRR、引用准确率、拒答准确率
反馈链路	点赞、人工纠错、失败样例归档	用户满意度、问题覆盖率、修复周期

Chunking 最佳实践

没有通用最佳 chunk size。更稳的做法是按文档类型选择切片策略，并用评测集比较。政策、制度、手册适合标题层级切片；FAQ 适合问答对切片；表格适合按实体、行或字段组合切片；代码文档适合按模块、函数或配置块切片。切片策略要保留父标题、页码、段落序号和更新时间，方便引用和重排。

混合检索与重排架构

向量召回擅长语义，关键词召回擅长精确术语和编号，元数据过滤保证权限和范围，重排负责把最相关片段放在前面。一个可落地回答是：先用权限和业务范围过滤候选文档，再做向量和 BM25 多路召回，合并去重后交给 reranker，最后根据时间、权威等级和文档类型做轻量规则排序。

RAG 安全和治理

RAG 的安全风险不仅是模型幻觉，还包括权限越权、过期知识、被投毒文档、Prompt Injection 和敏感信息泄漏。生产系统应在召回前做权限过滤；索引时保留数据来源和版本；对用户上传文档做隔离；把外部文档视为不可信内容；对答案做引用校验和敏感字段检查。

候选人自检清单

• 能否在 2 分钟内讲清楚这个模块解决什么业务问题、为什么不是简单调用模型 API。
• 能否说清输入、处理、模型调用、后处理、评测、监控、回滚的完整链路。
• 能否给出至少一个真实项目指标，例如召回率、命中率、延迟、Token 成本、人工复核通过率或线上失败率。
• 能否解释一个失败案例：问题如何发现、如何定位、怎么修复、修复后用什么指标验证。
• 能否区分“学习过概念”和“真正落地过系统”，面试回答要用具体约束、权衡和数据支撑。