如果让你设计一个企业知识库问答系统，你会怎么设计？
这道题考的是RAG（检索增强生成）技术的完整理解，从检索到生成的全链路设计。面试官想看你能不能把"大模型 + 知识库"这件事讲清楚。
一、先理解RAG——让AI"有据可依"地回答
RAG就是检索增强生成，三个词对应三个动作：先检索，再把结果拼给大模型，最后让大模型生成答案。
为什么要这么做？因为大模型有两个毛病：知识有截止日期、企业私有知识它根本不知道。RAG就是来治这个的——给它接一个"随叫随到的资料员"，问什么先查资料，再回答。
整个流程分三步：
第一步，用户提问。用户问"年假怎么计算"，系统把这个问句转成向量。
第二步，向量检索。在知识库的几万条文档里，找出跟这个问题最相关的几个片段。
第三步，LLM生成。把检索到的片段和用户问题一起塞给大模型，大模型根据这些真实资料回答。
类比一下：大模型像个"知识面广但容易胡编的学霸"，RAG就是给他配的资料员——问啥事先查档案，确认了再开口。
二、检索是核心——选对方式事半功倍
检索方式有三种：关键词检索、语义检索、混合检索。
关键词检索用TF-IDF或者BM25，在文档里找用户问话中的关键词出现次数多的文档。这招对专有名词特别管用——比如查"Q3财报"，关键词检索一把就定位到。
语义检索用向量相似度来找。用户说"我领导不批假怎么办"，语义检索能理解这是在问请假政策，而关键词检索可能找半天找不着。
两种方式各有利弊。关键词精确但死板，同义词、表达方式一变就抓瞎。语义检索灵活但可能跑偏——用户打错字或者问得太模糊，结果就不太准。
所以混合检索是文本场景的首选方案。把两种方式的得分加权求和，关键词权重和语义权重怎么分配，根据业务场景调。
简单记：关键词像"查字典"，语义像"问百度"——前者准但笨，后者灵但可能偏。
三、向量数据库——让检索又快又准
语义检索靠的是向量数据库。文档和问句都转成向量，在向量空间里找"距离最近"的文档。
向量维度是个trade-off。维度越高，语义表达越精细，但存储大、算得慢；维度越低，速度快但精度可能不够。实际用的时候，768维或1024维是比较常见的配置。
重点是索引方式的选择。数据量小的时候，直接暴力遍历所有向量算相似度也行；数据量大了必须上索引。
IVF_FLAT用的是KMeans聚类，把向量分成N个簇，检索时先定位到最近的几个簇，再在簇内精确搜索。就像图书馆先把书按类别分区，你知道要查技术类的，就不用挨个书架翻了。
HNSW是图索引，建一个多层近邻图，从上层粗略定位，一层层往下钻。适合对延迟要求特别高的场景。
选型建议：数据量百万级以下IVF_FLAT够用，要极致低延迟再考虑HNSW。
向量数据库就像图书馆的智能书架——不用一本本翻，喊出关键词就知道去哪几排找。
四、生成答案——Prompt决定上限
检索到的内容质量再好，Prompt写砸了也白搭。Prompt就是给大模型写的"任务卡"。
Prompt设计有几个关键点：
保留Top 3-5条相关文档。太少上下文不够，太多会把模型淹没。取前几条最相关的就够了。
给模型设定身份。比如"你是一个企业HR助手，专门回答员工福利问题"。身份一设定，回答风格和范围就收住了。
明确要求引用来源。加一句"在你的回答中，请引用你参考了哪篇文档"，既提高答案可信度，也方便用户溯源。
检索不到时主动声明。加个兜底逻辑——如果检索结果相似度都低于阈值，告诉用户"这个问题超出了我的知识范围，建议联系人工客服"。
Prompt就像给AI写任务卡，写清楚"你是谁、干什么、怎么答"，比让他自由发挥强10倍。
五、系统整体架构
整个企业知识库问答系统，数据流是这么走的：
数据准备阶段：先把企业文档做清洗、分块、向量化，存进向量数据库。
检索阶段：用户提问进来，先做混合检索，取Top K相关片段。
生成阶段：把检索结果和Prompt拼在一起，扔给大模型，返回最终答案。
实际落地时还要考虑：知识库怎么更新（增量还是全量）、答案质量怎么评估、bad case怎么收集优化。
面试怎么答
基础版（能讲清楚就能过）：
我会用RAG架构来做企业知识库问答。流程分三步：先把企业文档向量化存到向量数据库；用户提问时做混合检索，兼顾关键词精准度和语义理解能力；最后把检索到的相关片段和用户问题拼给大模型生成答案。检索这块一般用混合检索，关键词检索保准确、语义检索保理解能力。Prompt要设定角色身份、要求引用来源、做好兜底。
加分版（能拉开差距）：
在基础方案上，我会针对检索做权重调优——FAQ类用关键词权重高，长文档问答用语义权重高。向量索引选型上，百万级数据用IVF_FLAT，更大规模的场景考虑HNSW。另外，知识库要设计增量更新机制，新文档入库后实时向量化。还有个细节：检索结果去重和重排序，用MMR算法避免答案太重复。
一句话总结
企业知识库问答系统的核心是RAG三步走——检索相关片段、拼入上下文、让大模型有据可依地回答，选对检索方式和向量索引是成败关键。