前言最近金三银四很多小伙伴在准备大厂面试几乎每个人都被问到了同一个技术点——RAG检索增强生成。从阿里到字节从腾讯到美团RAG已经成为大模型应用方向必考的“压轴题”。但是很多求职者对RAG的理解只停留在“检索生成”四个字上被面试官追问几句就卡壳了。今天这篇文章给大家总结了10道最高频的RAG问题每道题都配有标准答案、Java代码示例、加分点和避坑指南。希望对你会有所帮助。更多项目实战在Java突击队网susan.net.cn一、RAG基础认知篇面试题1什么是RAG它解决了大模型的哪些痛点标准答案RAG全称Retrieval-Augmented Generation检索增强生成是一种将“检索”与“生成”相结合的AI架构。它的核心流程是在让大模型生成答案之前先从外部知识库中检索相关信息然后把检索到的内容和问题一起提供给大模型让它基于真实资料来生成回答。RAG解决了大模型的三大核心痛点知识时效性问题大模型的训练数据有明确的截止日期如GPT-4截止到2023年无法回答之后发生的新事件。RAG通过检索外部知识库为模型提供“实时”的知识补充。幻觉问题大模型容易“一本正经地胡说八道”。RAG通过检索真实资料让答案有依据、可溯源强制模型的回答基于检索到的事实。私有数据访问问题企业内部的文档、客户数据无法被公开的大模型直接访问。RAG可以安全地连接私有数据源实现定制化问答。工作流程图Java代码示例使用Spring AI Alibababash体验AI代码助手代码解读复制代码Service public class RagService { Autowired private VectorStore vectorStore; Autowired private ChatClient chatClient; public String ask(String question) { // 自动完成检索增强 return chatClient.prompt() .user(question) .advisors(new QuestionAnswerAdvisor(vectorStore)) .call() .content(); } }加分点能说出RAG的演进历程——Naive RAG → Advanced RAG引入Rerank、Query Rewrite→ Modular RAG → Graph RAG → Agentic RAG。避坑提示不要只回答“检索生成”四个字面试官要的是深度需要解释清楚检索什么、怎么检索、为什么能解决幻觉。面试题2RAG和微调Fine-tuning有什么区别什么时候用哪个标准答案RAG和SFT是两条完全不同的技术路线对比维度RAG微调SFT原理模型参数不动知识存外部推理时检索用标注数据训练让模型“记住”知识知识更新更新知识库即可无需重训练重新训练成本高几天多张GPU幻觉控制答案来源于真实文档可追溯模型“凭记忆”回答难以追溯延迟多一次检索延迟较高推理直接延迟低成本低无需训练高需要训练选型建议优先用RAG知识频繁变化客服话术、产品文档、需要答案可溯源、预算有限。优先用SFT领域深度适配医疗报告生成、法律合同起草、对回答格式有严格规范、要求毫秒级响应。生产环境的最佳实践RAG SFT 组合使用——先用SFT让模型学会领域说话风格再用RAG提供实时知识。Java代码示例微调 vs RAG配置bash体验AI代码助手代码解读复制代码// RAG方式无需训练直接配置知识库 Configuration public class RagConfig { Bean public VectorStore vectorStore() { return new PgVectorStore(dataSource()); } } // SFT方式需要预先训练模型伪代码 // 训练完成后替换模型端点 spring: ai: openai: base-url: https://my-fine-tuned-model.com/v1加分点能说出RAG和SFT的适用场景对比并且知道两者可以组合使用。二、RAG核心流程篇面试题3RAG的完整工作流程是怎样的请画出流程图并解释每一步。标准答案RAG分两大阶段索引阶段离线和检索生成阶段在线。各环节详解文档加载读取PDF、Word、Markdown等格式文档提取文本内容。文本分块将长文档切成语义完整的小块Chunk推荐chunk_size5121024overlap100200。向量化用Embedding模型将文本块转换成向量。向量存储将向量和原文存入向量数据库。Query处理可选地进行Query Rewrite将口语转为书面或HyDE生成假设文档。向量检索将Query也转换成向量在向量库中搜索最相似的Top-K个文档块。Rerank用Cross-Encoder模型对检索结果二次打分提升精度。Prompt构建将检索到的文档内容拼接成上下文与System Prompt、用户问题一起构造完整Prompt。LLM生成调用大模型基于上下文生成最终答案。Java代码示例完整流程bash体验AI代码助手代码解读复制代码Service public class RagPipeline { Autowired private EmbeddingModel embeddingModel; Autowired private VectorStore vectorStore; Autowired private ChatClient chatClient; // 索引阶段 public void indexDocument(String content) { ListDocument chunks DocumentSplitter.recursive(500, 100).split(content); vectorStore.add(chunks); } // 检索生成阶段 public String answer(String question) { // 1. 向量化查询 ListDocument docs vectorStore.similaritySearch( SearchRequest.query(question).withTopK(3) ); // 2. 构建增强Prompt String context docs.stream() .map(Document::getContent) .collect(Collectors.joining(\n)); // 3. 生成答案 return chatClient.prompt() .system(基于以下资料回答 context) .user(question) .call() .content(); } }加分点能完整说出索引阶段和检索生成阶段的所有步骤并能解释每个步骤的作用。三、RAG优化与评估篇面试题4如何选择合适的Chunk策略Chunk Size和Overlap怎么定标准答案Chunk策略直接影响检索效果主要策略有策略实现方式适用场景固定长度按字符数切分通用场景递归分割按段落→句子→词逐级切分文档结构规整语义分割基于Embedding相似度高质量要求结构分割按标题/表格分割Markdown/HTMLParent-Child小Chunk检索大Chunk生成精度上下文兼顾最佳实践Chunk Size512~1024根据文档类型调整技术文档偏大问答对偏小Overlap100~200约10-20%保证语义连贯可通过A/B测试找到最优参数测试chunk_size200/400/600/800overlap0%/10%/20%Java代码示例bash体验AI代码助手代码解读复制代码import org.springframework.ai.document.DocumentSplitter; DocumentSplitter splitter DocumentSplitter.builder() .chunkSize(800) .chunkOverlap(100) .separators(List.of(\n\n, \n, 。, , )) .build(); ListDocument chunks splitter.split(document);加分点能分析不同Chunk策略的优劣并说出如何通过实验找到最优参数。面试题5如何提升RAG的检索准确率列举至少3种方法。标准答案混合检索Hybrid Search结合BM25关键词检索精确匹配和向量语义检索语义相似。在知识库包含100万篇文档时混合检索可使召回率从65%提升至82%。查询重写Query Rewrite用户问题往往口语化、信息不全用大模型将查询改写为更专业、更完整的形式后再检索。例如“苹果股价咋样”改写为“Apple Inc.的最新股票价格”。重排序Rerank用Cross-Encoder模型对初步检索结果进行二次打分显著提升Top-K结果的精度。HyDE假设文档嵌入让LLM先根据问题生成一个“假设答案”然后用这个假设答案去检索提高检索相关性。Java代码示例混合检索 Rerankbash体验AI代码助手代码解读复制代码// 使用Spring AI Alibaba的混合检索器 HybridSearchRetriever retriever HybridSearchRetriever.builder() .vectorRetriever(vectorStore, embeddingModel) .keywordRetriever(bm25Index) .weights(0.5, 0.5) .build(); // 重排序 ListDocument candidates retriever.search(query, 20); ListDocument reranked reranker.rerank(candidates, query, 5);加分点能说出具体数据——混合检索提升召回率约17%Rerank可进一步提升检索质量。面试题6如何评估一个RAG系统的质量有哪些关键指标标准答案RAG系统评估需覆盖检索、生成、端到端三个维度检索阶段指标召回率RecallKTop-K结果中包含正确答案的比例平均倒数排名MRR正确答案在结果列表中的排位NDCG归一化折损累积增益考虑排序位置的相关性生成阶段指标Ragas框架的“RAG Triad”忠实度Faithfulness生成的答案是否完全基于检索到的文档严防模型“幻觉”答案相关性Answer Relevancy回答是否直接回应用户问题上下文召回率Context Recall标准答案中的知识点检索到的文档是否都覆盖了端到端评估结合用户行为数据任务完成率、二次查询率和人工标注的答案正确性。Java代码示例使用Ragas评估调用Python服务bash体验AI代码助手代码解读复制代码// 假设通过HTTP调用Ragas服务 RestTemplate rest new RestTemplate(); EvaluationRequest req new EvaluationRequest(); req.setQuestion(什么是RAG); req.setAnswer(RAG是检索增强生成...); req.setContexts(List.of(RAG结合检索与生成...)); req.setGroundTruth(RAG全称检索增强生成...); EvaluationResult result rest.postForObject( http://ragas-server/evaluate, req, EvaluationResult.class); System.out.println(Faithfulness: result.getFaithfulness());加分点能说出Ragas框架的评估逻辑——通过“LLM监考”方式自动评分无需人工标注大量数据。面试题7RAG常见的10大问题及解决方案是什么标准答案问题常见原因解决方案内容缺失切片策略不合理、向量召回率低调整分段长度、多向量检索错过排名靠前文档召回算法问题优化距离计算、引入Rerank脱离上下文拼接多个文档时语义边界丢失Context Window Re-weighting、语义拼接未能提取答案检索结果太广或太窄调整相似度阈值、Prompt引导格式错误源数据清洗不规范统一索引格式、Prompt约束输出模板特异性错误领域知识被误导引入领域词向量或知识图谱增强回答不全面检索召回范围太小多通道检索keyword embedding数据处理慢非结构化文档提取慢批量向量化、流式索引、分布式检索SQL/表格支持弱RAG对结构化数据查询能力弱混合架构——让LLM先生成SQL再执行复杂PDF提取难表格、页眉、脚注干扰布局识别LayoutLM OCR 坐标级切分Java代码示例多通道检索bash体验AI代码助手代码解读复制代码// 多路召回 ListDocument keywordDocs keywordRetriever.search(query, 10); ListDocument vectorDocs vectorRetriever.search(query, 10); ListDocument kgDocs kgRetriever.search(query, 5); // 融合去重 SetDocument merged new HashSet(); merged.addAll(keywordDocs); merged.addAll(vectorDocs); merged.addAll(kgDocs);加分点能结合自己的实际项目经验说出遇到过的具体问题和解决过程。四、RAG高级机制篇面试题8什么是Self-RAG和CRAG它们解决了什么问题标准答案Self-RAG自反思检索增强生成模型在生成答案的同时会自我评估检索到的信息质量并决定是否需要再次检索。它通过训练模型输出“反思Token”如“相关”“不相关”“有用”“无用”让模型在检索后先评估判断是否需要补充检索。这解决了“一次检索可能不够”的问题。CRAGCorrective RAG纠正性检索增强生成当检索结果质量不佳时系统会自动纠错。如果置信度低它会自动触发补充检索如网络搜索或启动知识图谱推理来补全信息。这解决了“检索结果质量差导致生成错误”的问题。