面试知识索引 · 分类、标签与搜索

RAG 检索专题面试题，31 道完整答案

RAG 检索专题面试题第 1 页，显示第 1–31 题，共找到 31 道完整解析，可继续按分类、标签与关键词缩小范围。

31筛选结果

52技术分类

178检索标签

1索引分页

快速定位

分类、标签与关键词搜索

清除全部筛选

第 1 页

本页面试问题

按稳定语义路径排序

0001
AI 开发RAG 检索
RAG 分块时为什么要设置 chunk overlap（重叠），重叠过大有什么副作用？
围绕“RAG 分块时为什么要设置 chunk overlap（重叠），重叠过大有什么副作用”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答重叠如何保护跨边界语义、以及重叠带来的重复内容与索引膨胀代价。
核心关键词RAG chunk overlap 重叠副作用
#RAG 检索#RAG
0002
AI 开发RAG 检索
RAG 中如何确定文本分块(chunk)的大小，过大和过小分别会导致什么检索问题？
围绕“RAG 中如何确定文本分块(chunk)的大小，过大和过小分别会导致什么检索问题”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确块大小对召回语义完整性与嵌入精度的双向影响。
核心关键词RAG chunk size 分块大小权衡
#RAG 检索#RAG
0003
AI 开发RAG 检索
RAG 如何让生成答案带引用来源，上下文组装阶段需要给每个文档块附加什么信息？
围绕“RAG 如何让生成答案带引用来源，上下文组装阶段需要给每个文档块附加什么信息”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答块级来源标识注入与提示模型引用编号的机制。
核心关键词RAG 引用来源上下文标注
#RAG 检索#RAG#安全
0004
AI 开发RAG 检索
父子分块或重叠分块的 RAG 系统在组装上下文时如何去重合并，避免同一内容重复占用 token？
围绕“父子分块或重叠分块的 RAG 系统在组装上下文时如何去重合并，避免同一内容重复占用 token”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答按父文档聚合或相邻块合并的具体做法。
核心关键词RAG 上下文去重合并重叠 chunk
#RAG 检索#RAG
0005
AI 开发RAG 检索
RAG 组装上下文时如何在有限 token 预算内分配系统提示、历史对话和检索文档，超预算时应优先砍哪部分？
围绕“RAG 组装上下文时如何在有限 token 预算内分配系统提示、历史对话和检索文档，超预算时应优先砍哪部分”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须给出优先级排序与截断策略的判断。
核心关键词RAG 上下文窗口 token 预算截断策略
#RAG 检索#RAG
0006
AI 开发RAG 检索
LangChain 的 ContextualCompressionRetriever 如何只保留文档中与问题相关的部分，它解决的是什么具体问题？
围绕“LangChain 的 ContextualCompressionRetriever 如何只保留文档中与问题相关的部”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答长文档召回后抽取相关片段以降低噪声与 token 成本。
核心关键词ContextualCompressionRetriever 上下文压缩
#RAG 检索#RAG
0007
AI 开发RAG 检索
RAG 系统选择嵌入（embedding）模型时应依据哪些维度，为什么嵌入模型换了必须重建索引？
围绕“RAG 系统选择嵌入（embedding）模型时应依据哪些维度，为什么嵌入模型换了必须重建索引”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答向量空间一致性要求及语言、维度、领域匹配等选择标准。
核心关键词RAG embedding 模型选择重建索引原因
#RAG 检索#RAG#向量检索
0008
AI 开发RAG 检索
RAG 为什么需要向量检索与关键词检索（BM25）混合，单靠向量检索在哪类查询上会系统性失败？
围绕“RAG 为什么需要向量检索与关键词检索（BM25）混合，单靠向量检索在哪类查询上会系统性失败”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖必须指出专有名词、编号、精确字符串等向量检索失效场景。
核心关键词RAG 混合检索必要性失败场景
#RAG 检索#RAG#向量检索
0009
AI 开发RAG 检索
RAG 中 HyDE（假设文档嵌入）检索的原理是什么，为什么它对短问题比长问题更有帮助？
围绕“RAG 中 HyDE（假设文档嵌入）检索的原理是什么，为什么它对短问题比长问题更有帮助”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答先生成假想答案再嵌入检索的机制及短查询受益原因。
核心关键词RAG HyDE 假设文档检索原理
#RAG 检索#RAG
0010
AI 开发RAG 检索
文档频繁更新的 RAG 系统如何做增量索引，如何避免删除文档的旧向量仍被召回？
围绕“文档频繁更新的 RAG 系统如何做增量索引，如何避免删除文档的旧向量仍被召回”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确按文档 ID 的 upsert/删除与索引一致性问题。
核心关键词RAG 增量索引文档更新删除旧向量
#RAG 检索#RAG#向量检索
0011
AI 开发RAG 检索
RAG 处理 Markdown 或代码文档时为什么需要结构化感知分块，直接用字符切分会破坏什么？
围绕“RAG 处理 Markdown 或代码文档时为什么需要结构化感知分块，直接用字符切分会破坏什么”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确标题层级/代码块边界被破坏的后果及按结构切分的做法。
核心关键词RAG Markdown 代码结构化分块保结构
#RAG 检索#RAG
0012
AI 开发RAG 检索
RAG 检索前用元数据过滤（如租户、时间、文档类型）为什么应在向量搜索阶段下推而不是召回后再过滤？
围绕“RAG 检索前用元数据过滤（如租户、时间、文档类型）为什么应在向量搜索阶段下推而不是召回后再过滤”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确后置过滤导致 top-k 有效结果不足的问题及过滤下推的做法。
核心关键词RAG 元数据过滤下推到向量搜索
#RAG 检索#RAG#向量检索
0013
AI 开发RAG 检索
RAG 中最大边际相关性（MMR）检索如何解决 top-k 结果内容重复的问题？
围绕“RAG 中最大边际相关性（MMR）检索如何解决 top-k 结果内容重复的问题”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要说明相关性-多样性平衡公式思路及 lambda 参数含义。
核心关键词RAG MMR 最大边际相关性多样性
#RAG 检索#RAG
0014
AI 开发RAG 检索
LangChain 的 MultiQueryRetriever 通过生成多个查询变体提升召回，它的适用场景和成本代价是什么？
围绕“LangChain 的 MultiQueryRetriever 通过生成多个查询变体提升召回，它的适用场景和成本代价”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 LLM 生成改写查询再合并去重的机制及延迟成本。
核心关键词MultiQueryRetriever 多查询变体提升召回
#RAG 检索#RAG
0015
AI 开发RAG 检索
多租户 RAG 系统如何利用元数据过滤保证租户间数据不串，仅靠 prompt 声明租户为什么不可靠？
围绕“多租户 RAG 系统如何利用元数据过滤保证租户间数据不串，仅靠 prompt 声明租户为什么不可靠”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答检索层强制过滤的必要性及 prompt 层约束可被绕过的问题。
核心关键词RAG 多租户数据隔离 metadata filter
#RAG 检索#RAG#Prompt
0016
AI 开发RAG 检索
RAG 检索结果为空或全部低于阈值时系统应如何兜底，直接把所有问题交给 LLM 自由回答有什么风险？
围绕“RAG 检索结果为空或全部低于阈值时系统应如何兜底，直接把所有问题交给 LLM 自由回答有什么风险”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答阈值判空、拒答或降级策略及幻觉风险控制。
核心关键词RAG 无检索结果兜底幻觉风险
#RAG 检索#RAG
0017
AI 开发RAG 检索
RAG 检索质量差但定位发现源头在 PDF 解析阶段，乱码、栏序错乱会如何传导到分块与嵌入？
围绕“RAG 检索质量差但定位发现源头在 PDF 解析阶段，乱码、栏序错乱会如何传导到分块与嵌入”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确解析错误经分块放大为噪声块的传导链。
核心关键词RAG PDF 解析乱码分栏传导影响
#RAG 检索#RAG
0018
AI 开发RAG 检索
用户提问用词和文档措辞差异大导致 RAG 召回失败，除了换嵌入模型还有哪些检索侧手段？
围绕“用户提问用词和文档措辞差异大导致 RAG 召回失败，除了换嵌入模型还有哪些检索侧手段”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖回答查询改写、混合检索、假设文档嵌入等检索侧方案。
核心关键词RAG 词汇不匹配查询文档措辞差异召回手段
#RAG 检索#RAG
0019
AI 开发RAG 检索
RAG 中的查询改写（query rewriting）解决什么问题，为什么多轮对话里直接用用户原话检索会失败？
围绕“RAG 中的查询改写（query rewriting）解决什么问题，为什么多轮对话里直接用用户原话检索会失败”给出直接结论、机制拆解、可复现验证、常见误区与追问，重点覆盖需要明确指代/省略导致的检索意图缺失及改写为独立查询的做法。
核心关键词RAG 查询改写多轮对话指代消解
#RAG 检索#RAG
0020
AI 开发RAG 检索
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
#RAG 检索#RAG
0021
AI 开发RAG 检索
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
#RAG 检索#RAG
0022
AI 开发RAG 检索
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
#RAG 检索#RAG#向量检索
0023
AI 开发RAG 检索
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
#RAG 检索#RAG
0024
AI 开发RAG 检索
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
#RAG 检索#RAG
0025
AI 开发RAG 检索
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
#RAG 检索#RAG
0026
AI 开发RAG 检索
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
#RAG 检索#RAG#Prompt
0027
AI 开发RAG 检索
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
#RAG 检索#RAG#向量检索
0028
AI 开发RAG 检索
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
#RAG 检索#RAG
0029
AI 开发RAG 检索
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
#RAG 检索#RAG
0030
AI 开发RAG 检索
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
#RAG 检索#RAG
0031
AI 开发RAG 检索
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
#RAG 检索#RAG

分类、标签与关键词搜索

本页面试问题

RAG 分块时为什么要设置 chunk overlap（重叠），重叠过大有什么副作用？

RAG 中如何确定文本分块(chunk)的大小，过大和过小分别会导致什么检索问题？

RAG 如何让生成答案带引用来源，上下文组装阶段需要给每个文档块附加什么信息？

父子分块或重叠分块的 RAG 系统在组装上下文时如何去重合并，避免同一内容重复占用 token？

RAG 组装上下文时如何在有限 token 预算内分配系统提示、历史对话和检索文档，超预算时应优先砍哪部分？

LangChain 的 ContextualCompressionRetriever 如何只保留文档中与问题相关的部分，它解决的是什么具体问题？

RAG 系统选择嵌入（embedding）模型时应依据哪些维度，为什么嵌入模型换了必须重建索引？

RAG 为什么需要向量检索与关键词检索（BM25）混合，单靠向量检索在哪类查询上会系统性失败？

RAG 中 HyDE（假设文档嵌入）检索的原理是什么，为什么它对短问题比长问题更有帮助？

文档频繁更新的 RAG 系统如何做增量索引，如何避免删除文档的旧向量仍被召回？

RAG 处理 Markdown 或代码文档时为什么需要结构化感知分块，直接用字符切分会破坏什么？

RAG 检索前用元数据过滤（如租户、时间、文档类型）为什么应在向量搜索阶段下推而不是召回后再过滤？

RAG 中最大边际相关性（MMR）检索如何解决 top-k 结果内容重复的问题？

LangChain 的 MultiQueryRetriever 通过生成多个查询变体提升召回，它的适用场景和成本代价是什么？

多租户 RAG 系统如何利用元数据过滤保证租户间数据不串，仅靠 prompt 声明租户为什么不可靠？

RAG 检索结果为空或全部低于阈值时系统应如何兜底，直接把所有问题交给 LLM 自由回答有什么风险？

RAG 检索质量差但定位发现源头在 PDF 解析阶段，乱码、栏序错乱会如何传导到分块与嵌入？

用户提问用词和文档措辞差异大导致 RAG 召回失败，除了换嵌入模型还有哪些检索侧手段？

RAG 中的查询改写（query rewriting）解决什么问题，为什么多轮对话里直接用用户原话检索会失败？

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？

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？

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？

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？

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？

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？

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？

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？

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？

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？

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？

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？

分类、标签与关键词搜索

本页面试问题

RAG 分块时为什么要设置 chunk overlap（重叠），重叠过大有什么副作用？

RAG 中如何确定文本分块(chunk)的大小，过大和过小分别会导致什么检索问题？

RAG 如何让生成答案带引用来源，上下文组装阶段需要给每个文档块附加什么信息？

父子分块或重叠分块的 RAG 系统在组装上下文时如何去重合并，避免同一内容重复占用 token？

RAG 组装上下文时如何在有限 token 预算内分配系统提示、历史对话和检索文档，超预算时应优先砍哪部分？

LangChain 的 ContextualCompressionRetriever 如何只保留文档中与问题相关的部分，它解决的是什么具体问题？

RAG 系统选择嵌入（embedding）模型时应依据哪些维度，为什么嵌入模型换了必须重建索引？

RAG 为什么需要向量检索与关键词检索（BM25）混合，单靠向量检索在哪类查询上会系统性失败？

RAG 中 HyDE（假设文档嵌入）检索的原理是什么，为什么它对短问题比长问题更有帮助？

文档频繁更新的 RAG 系统如何做增量索引，如何避免删除文档的旧向量仍被召回？

RAG 处理 Markdown 或代码文档时为什么需要结构化感知分块，直接用字符切分会破坏什么？

RAG 检索前用元数据过滤（如租户、时间、文档类型）为什么应在向量搜索阶段下推而不是召回后再过滤？

RAG 中最大边际相关性（MMR）检索如何解决 top-k 结果内容重复的问题？

LangChain 的 MultiQueryRetriever 通过生成多个查询变体提升召回，它的适用场景和成本代价是什么？

多租户 RAG 系统如何利用元数据过滤保证租户间数据不串，仅靠 prompt 声明租户为什么不可靠？

RAG 检索结果为空或全部低于阈值时系统应如何兜底，直接把所有问题交给 LLM 自由回答有什么风险？

RAG 检索质量差但定位发现源头在 PDF 解析阶段，乱码、栏序错乱会如何传导到分块与嵌入？

用户提问用词和文档措辞差异大导致 RAG 召回失败，除了换嵌入模型还有哪些检索侧手段？

RAG 中的查询改写（query rewriting）解决什么问题，为什么多轮对话里直接用用户原话检索会失败？

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？

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？

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？

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？

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？

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？

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？

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？

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？

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？

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？

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？