LangChain 的 RecursiveCharacterTextSplitter 按什么优先级切分文本，为什么比固定长度切分更适合 RAG？
围绕“LangChain 的 RecursiveCharacterTextSplitter 按什么优先级切分文本，为什么比”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明分隔符层级回退机制及其对语义完整性的作用。
核心关键词RecursiveCharacterTextSplitter 切分优先级 递归字符切分
面试知识索引 · 分类、标签与搜索
AI 开发面试题，262 道完整答案
AI 开发面试题第 6 页，显示第 251–262 题，共找到 262 道完整解析，可继续按分类、标签与关键词缩小范围。
262筛选结果
52技术分类
178检索标签
6索引分页
快速定位
清除全部筛选分类、标签与关键词搜索
第 6 页
本页面试问题
按稳定语义路径排序
- 0251
- 0252
RAG 流水线中重排应放在召回之后、上下文组装之前，为什么先用大 top-k 召回再重排比直接小 k 检索效果好？
围绕“RAG 流水线中重排应放在召回之后、上下文组装之前，为什么先用大 top-k 召回再重排比直接小 k 检索效果好”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答召回-重排两阶段分工与候选数设置。
核心关键词RAG 重排 流水线位置 为何先大 k 再重排 - 0253
RAG 已经有向量相似度排序了，为什么还需要重排（rerank）阶段，交叉编码器比双编码器强在哪？
围绕“RAG 已经有向量相似度排序了，为什么还需要重排（rerank）阶段，交叉编码器比双编码器强在哪”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确查询-文档交互建模带来的精度提升及不能全库使用的原因。
核心关键词RAG rerank 重排 交叉编码器 强于双编码器 - 0254
如何用检索级指标（recall@k、MRR）单独评估 RAG 的检索质量，而不是只看最终回答好不好？
围绕“如何用检索级指标（recall@k、MRR）单独评估 RAG 的检索质量，而不是只看最终回答好不好”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答构造带标准答案的查询集并分层归因评估的方法。
核心关键词RAG 检索评估 recall@k MRR - 0255
RAG 中的语义分块（semantic chunking）是如何工作的，相比固定长度分块适合什么场景？
围绕“RAG 中的语义分块（semantic chunking）是如何工作的，相比固定长度分块适合什么场景”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答基于嵌入相似度检测语义边界的机制与适用条件。
核心关键词RAG 语义分块 原理 适合场景 - 0256
RAG 检索时设置相似度分数阈值有什么用，为什么不同嵌入模型间阈值不能直接复用？
围绕“RAG 检索时设置相似度分数阈值有什么用，为什么不同嵌入模型间阈值不能直接复用”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答阈值过滤无关召回的用途及分数分布依赖模型的原因。
核心关键词RAG 相似度阈值 设置作用 不同模型不可复用 - 0257
RAG 中 step-back 提问（先生成更抽象的问题再检索）适合解决哪类具体查询检索不到背景知识的问题？
围绕“RAG 中 step-back 提问（先生成更抽象的问题再检索）适合解决哪类具体查询检索不到背景知识的问题”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答具体细节问题缺乏上位概念匹配的机制与适用边界。
核心关键词RAG step-back prompting 抽象化检索 - 0258
多跳问题（需要多份文档联合回答）在 RAG 中为什么要做子问题分解检索，单次检索失败的原因是什么？
围绕“多跳问题（需要多份文档联合回答）在 RAG 中为什么要做子问题分解检索，单次检索失败的原因是什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答复合问题向量无法同时匹配多主题的机制及分解-合并流程。
核心关键词RAG 多跳问题 子问题分解 检索 - 0259
包含大量表格的文档做 RAG 时应如何分块，为什么表格按字符切开会导致检索失败？
围绕“包含大量表格的文档做 RAG 时应如何分块，为什么表格按字符切开会导致检索失败”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答表格结构保持（整表为块或 HTML/Markdown 序列化）的判断。
核心关键词RAG 表格 分块策略 保持完整 - 0260
文档时效性强的 RAG 场景（如政策、新闻）如何在检索中处理时间衰减，避免旧文档压过新文档？
围绕“文档时效性强的 RAG 场景（如政策、新闻）如何在检索中处理时间衰减，避免旧文档压过新文档”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答时间元数据过滤或时间衰减打分的方案选择。
核心关键词RAG 时间衰减 时效性 检索加权 - 0261
RAG 分块按 token 切分和按字符切分有什么本质区别，为什么生产上更推荐 token 切分？
围绕“RAG 分块按 token 切分和按字符切分有什么本质区别，为什么生产上更推荐 token 切分”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答 token 计数与嵌入模型上下文窗口对齐的原因。
核心关键词RAG token 切分 与 字符切分 本质区别 生产推荐 - 0262
RAG 检索的 top-k 设多大合适，k 过大对 LLM 回答质量有什么负面影响？
围绕“RAG 检索的 top-k 设多大合适，k 过大对 LLM 回答质量有什么负面影响”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答召回率与上下文噪声/成本之间的权衡及调 k 的实验方法。
核心关键词RAG top-k 召回数量 调优 影响