RAG 面试题

RAG（检索增强生成）高频面试问题精选，共 38 篇文章，覆盖基础概念、核心流程、检索优化、文档处理、提示工程、评估方法和进阶方向。

RAG 是目前大模型应用中最主流的技术之一，也是面试中出现频率最高的方向。每篇文章围绕一个具体问题展开，讲清楚"是什么、为什么、怎么做"。

---

合集文章导航

基础概念篇

1. RAG 是什么？ - 它解决了大模型应用中的什么问题
2. 在 LangChain 中如何实现 RAG 应用？ - 框架实践
3. RAG 的完整流程是什么？ - 文档解析、切分、检索、生成分别做什么
4. RAG 的完整工作流程是怎样的？核心步骤有哪些？ - 全流程详解
5. RAG 的完整流程是怎么样的？ - 端到端实现
6. RAG 的文档处理流程是怎样的？ - 文档生命周期
7. 文档切分为什么重要？ - chunk size 和 overlap 应该怎么选
8. RAG 系统中为什么要进行文档切割？有哪些切割策略？ - 切分方法对比
9. RAG 中 chunk size 和 overlap 应该怎么设置？ - 参数调优经验
10. Embedding 在 RAG 中有什么作用？ - 如何判断向量表示是否有效
11. RAG 中的 Embedding 向量化是什么？如何工作的？ - 向量生成机制
12. RAG 中如何计算文本相似度？常见算法有哪些？ - 相似度计算

检索与召回篇

13. 向量检索、关键词检索和混合检索有什么区别？ - 三种检索方式对比
14. 为什么 RAG 中常用 BM25 + 向量检索的混合召回？ - 混合召回的原理
15. 什么是 RAG 混合检索？如何实现向量和关键词检索结合？ - 混合检索实现
16. RAG 检索中的 Top-K 是什么意思？K 值如何确定？ - Top-K 调优
17. RAG 检索时相似度阈值如何设置？设置不当有什么影响？ - 阈值经验
18. 什么是向量数据库？主要解决什么问题？ - 向量库核心概念
19. RAG 为什么需要向量数据库？和传统数据库有什么区别？ - 向量库对比
20. RAG 中如何实现向量数据库的增量更新？ - 数据同步机制
21. RAG 系统如何利用元数据过滤提升检索精度？ - 元数据增强
22. RAG 系统如何处理 PDF、Word、Markdown 等不同格式文档？ - 多格式解析
23. RAG 系统如何标注信息来源和提供引用？ - 可信度增强

重排序与查询优化篇

24. Rerank 在 RAG 中解决什么问题？ - 和向量检索有什么区别
25. 什么是 RAG 中的 Rerank？具体需要怎么做？ - 重排序实现
26. Query Rewrite 是什么？ - 它如何提升 RAG 召回效果
27. RAG 中如何设计 Prompt 来有效利用检索到的文档？ - Prompt 工程
28. 什么是上下文查询增强？它有什么作用？如何处理无关问题？ - Query 增强

质量与评估篇

29. RAG 为什么仍然会产生幻觉？ - 如何降低幻觉
30. 如何评估一个 RAG 系统？ - Hit@K、MRR、召回率和答案支撑度
31. RAG 中如何处理 Markdown、表格、代码块和图片？ - 多格式内容处理

进阶方向篇

32. GraphRAG、Self-RAG 和 Agentic RAG 分别想解决什么问题？ - 三种进阶 RAG 方案
33. 什么是 Advanced RAG？ - 进阶方法
34. 什么是 Modular RAG？ - 模块化 RAG
35. Spring AI 提出的模块化 RAG 架构是什么？ - 三阶段架构
36. 什么是 Re-Reading？如何基于 Spring AI 实现？ - Re-Reading Advisor
37. RAG 和微调有什么区别？ - 什么场景更适合使用 RAG
38. 如果 RAG 检索结果不相关，你会从哪些环节排查？ - 问题排查指南