尧图网站建设 
个人水平有限可能有错欢迎大家在评论区指正和讨论。如果觉得写的还行请点点赞你的赞是我更新的动力!感谢资料的作者适用人群快速了解、复习RAG常见八股文章目录AI Agent 面试题库 · RAG 系统篇通用 开发岗第一部分RAG 核心原理必考Q1RAG 工作原理 vs 微调Q2完整 RAG 流水线Q3切块策略与权衡Q4Embedding 选型与评估第二部分检索优化Q5提升检索质量的技术开发岗高频第三部分评估与优化Q8RAG 全面评估第四部分工程实践Q10RAG 部署挑战开发岗高频Q11搜索系统 vs RAGQ12开源 RAG 框架选型第五部分RAG 进阶技术真题补充Q15RAG 噪声处理Q16BM25 原理Q17意图识别实现Q19召回-过滤-生成 三段式Q20Function Calling 和 MCPQ21高并发下优化召回与生成延迟开发岗高频Q22Agent 调用搜索引擎如何避免无关结果参考资料AI Agent 面试题库 · RAG 系统篇通用 开发岗第一部分RAG 核心原理必考Q1RAG 工作原理 vs 微调RAG先把外部知识做成离线索引切块 →Embedding→ 存向量库查询时在线检索相关片段作为上下文注入 PromptLLM 基于上下文生成答案。属于非参数化知识。微调微调把知识参数化写进权重成本高、更新慢、易幻觉、难溯源。RAG优势知识实时更新、可溯源/可解释、更新成本低、减少幻觉、领域知识快速接入、按权限隔离数据。RAG局限检索质量决定上限、受上下文长度限制、多跳推理弱。难度 ⭐⭐ 岗位通用 标签#检索增强 #核心概念 字节 / 阿里 / 腾讯高频Q2完整 RAG 流水线数据准备文档采集 →解析PDF / 表格 / OCR→清洗→切块 Chunking→Embedding→向量入库ANN 索引HNSW / IVF。使用阶段用户提问→Query 改写 / 扩展→ 向量召回Top-k→可选混合检索→重排 Rerank→上下文组装去重、排序→Prompt 模板→LLM 生成。评估迭代离线指标线上反馈→ 回流优化。难度 ⭐⭐ 岗位通用 标签#流程 #系统设计Q3切块策略与权衡大小太小 →语义碎片化、上下文不足太大 →噪声多、稀释关键信息、超 Embedding 有效长度、成本高。常见起点256–512 tokens。重叠 Overlap10%–20%防止句子被边界切断过大 →冗余、召回重复。切法固定长度 /递归切分/语义切分按相似度断点/ 按结构Markdown 标题、代码函数。权衡核心语义完整性 vs 检索精度 vs 存储成本。中文按标点切表格、代码单独处理。难度 ⭐⭐ 岗位通用 标签#文档处理 #切块策略Q4Embedding 选型与评估选型维度语言支持、维度 / 模型大小性能 vs 存储 / 延迟、最大输入长度、领域适配、部署方式API vs 本地、成本。主流模型BGE、M3E、GTE、Conan、Jina、text-embedding-3。评估榜单MTEB / C-MTEB检索指标Recallk(前 k 条里召回了多少相关文档)、MRR(第一个正确结果排在第几位的倒数平均)、NDCGk(带位置折损的排序质量)、Hit Rate相似度任务看Spearman 相关。最终以业务端到端召回质量为准。难度 ⭐⭐ 岗位通用 标签#Embedding #模型选择第二部分检索优化Q5提升检索质量的技术开发岗高频混合检索 HybridBM25稀疏 向量稠密用RRF融合互补关键词与语义。Query 改写HyDE先生成假设答案再检索、Multi-Query 多查询、子问题分解。重排 RerankCross-Encoder / BGE-Reranker对 Top-k 精排。切块增强父子块 Parent-Child、小-大检索、上下文增强。其他元数据过滤时间 / 来源 / 权限、多路召回 去重、GraphRAG 图检索、微调 Embedding。难度 ⭐⭐⭐ 岗位算法岗、开发岗通用 标签#检索优化 #混合检索 字节 / 阿里高频第三部分评估与优化Q8RAG 全面评估检索阶段Recallk、Precisionk、MRR、NDCG、Hit Rate、Context Recall / Precision。生成阶段Faithfulness忠实度 / 无幻觉、Answer Relevancy答案相关性、Groundedness、引用准确率。框架RAGAS、TruLens、ARES、DeepEvalLLM-as-Judge。核心思想检索与生成分开评估才能定位问题在「没搜到」还是「搜到了没答对」。难度 ⭐⭐⭐ 岗位通用 标签#评估 #指标设计第四部分工程实践Q10RAG 部署挑战开发岗高频检索质量召回不准、语义鸿沟、领域词。延迟吞吐ANN 检索、Embedding 计算、LLM 生成延迟、高并发压力。成本Embedding、存储、Token 费用。数据管理增量更新、版本 / 删除同步、分布漂移。其他上下文限制、Lost in the Middle、多租户 / 权限隔离、幻觉与溯源、可观测性与评估闭环、亿级扩展与索引重建。难度 ⭐⭐⭐ 岗位开发岗重点 标签#部署 #工程实践 字节 / 阿里高频Q11搜索系统 vs RAG传统搜索核心是召回 排序返回文档列表给用户自读优化相关性排序BM25、LTR。RAG在检索之上加生成环节LLM阅读理解后直接给答案并引用来源。联系RAG 复用搜索的召回 / 排序作为底座。区别输出形态文档列表 vs 自然语言答案、排序目标相关性 vs 对生成的有用性、Query 形态关键词 vs 自然语言问题、评价指标不同。要点RAG 对检索要求更高 —— 需要高召回 高精度片段而非仅「能搜到」。难度 ⭐⭐ 岗位开发岗重点 标签#搜索系统 #对比分析Q12开源 RAG 框架选型主流框架RAGFlowDeepDoc 深度文档解析、可视化切块、LangChain / LlamaIndex灵活编排、生态大、Dify低代码工作流、FastGPT知识库问答、Haystack、Verba。选型维度文档解析能力PDF / 表格 / OCR、切块可控性、检索策略混合 / 重排、可观测与评估、部署方式、二次开发扩展性、社区活跃度、成本。场景建议POC 快速验证→ Dify / FastGPT合同 / 研报等深度解析→ RAGFlow高度定制→ LangChain / LlamaIndex 自研。难度 ⭐⭐ 岗位开发岗重点 标签#框架选型 #工程实践第五部分RAG 进阶技术真题补充Q15RAG 噪声处理来源解析错误、切块不当、无关召回、重复内容、过时信息。数据侧清洗去重、质量过滤规则 模型、切块优化。检索侧Rerank 重排、相关性阈值过滤、元数据过滤、多路召回投票。生成侧Prompt 约束「仅依据上下文作答无则说不知道」、引用溯源、Self-RAG / CRAG 反思检索。核心提升信噪比 召回端求精 生成端约束。难度 ⭐⭐ 岗位通用 标签#噪声处理 #数据质量 字节 / 阿里Q16BM25 原理定义稀疏检索代表基于TF词频 IDF逆文档频率的概率排序模型。三要素TF 饱和词频高则权重大但有上限由k1控制、IDF词越罕见越重要、文档长度归一化b惩罚长文档。公式直觉score Σ IDF(qi) · [TF·(k11)] / [TF k1·(1-bb·|d|/avgdl)]参数k1 ≈ 1.2–2.0、b ≈ 0.75。优缺点无需训练、快、可解释、关键词精确匹配强但无语义同义词 / 改述召回不到→ 与向量互补成混合检索。难度 ⭐⭐ 岗位通用 标签#BM25 #稀疏检索 字节 / 阿里高频Q17意图识别实现定义判断 Query 的意图类别用于路由到不同链路。实现路径①规则 / 关键词匹配②传统 ML 分类TF-IDF SVM③文本分类模型BERT 微调④LLM 分类 / Function Calling零样本、灵活⑤向量相似度匹配。工程要点标签体系设计、多意图 / 未知意图兜底、置信度阈值 降级路由。难度 ⭐⭐ 岗位开发岗重点 标签#意图识别 #NLU 字节 / 阿里Q19召回-过滤-生成 三段式召回 Recall多路召回向量 BM25 元数据目标高召回、宁多勿漏关注ANN 索引、Query 改写。过滤 / 精排 Filter去重、Cross-Encoder 重排、阈值过滤、MMR 多样性、时间 / 权限过滤目标高精度。生成 Generate上下文排序组装关键信息放头尾缓解 Lost in the Middle、Prompt 约束、引用标注、幻觉控制。核心思想召回求全、过滤求精、生成求稳每段独立评估、独立优化。难度 ⭐⭐⭐ 岗位通用 标签#Pipeline设计 #三段式 字节真题Q20Function Calling 和 MCPFunction CallingLLM 通过结构化输出JSON Schema决定调哪个工具、传什么参数外部执行后结果回喂LLM 继续推理。是Agent 调工具的基础机制。MCPModel Context ProtocolAnthropic 提出的开放协议标准化LLM 与外部数据源 / 工具的对接「AI 的 USB-C」解决接入碎片化。区别Function Calling 是模型调用范式MCP 是标准化接入协议让工具一次开发、多客户端复用。难度 ⭐⭐ 岗位开发岗重点 标签#Function Calling #MCP 字节 / 阿里Q21高并发下优化召回与生成延迟开发岗高频召回侧ANN 索引HNSW / IVF-PQ、向量量化PQ / SQ压缩、语义缓存、多路并行召回、异步调用 Embedding、向量库分片 / GPU 加速、缩小Rerank 规模。生成侧流式输出 Streaming降首 Token 延迟、投机解码、KV Cache 复用、模型分级简单任务小模型、Prompt 压缩、Continuous BatchingvLLM / TGI。系统侧限流降级、预计算 / 预热、负载均衡、监控定位瓶颈。难度 ⭐⭐⭐ 岗位开发岗重点 标签#高并发 #延迟优化 字节真题Q22Agent 调用搜索引擎如何避免无关结果结果过滤Rerank 重排、阈值截断、去重、限制 Top-k。信源筛选权威性排序、域名黑白名单、时效过滤。Query 优化精准改写、垂直 / 站内搜索、多查询。摘要提取先做抽取式摘要只把相关片段喂给 LLM。Prompt 约束要求「仅依据结果作答、无相关信息则明说」、强制引用来源。二次校验Self-RAG / CRAG反思、交叉验证。难度 ⭐⭐ 岗位通用 标签#结果过滤 #相关性 字节真题参考资料资料推荐[1]是github高星八股项目本文源自这个地方建议查看完整版。[1] AI Agent 面试题库 - RAG 系统篇 备战秋招春招系列----RAG常见八股速成
个人水平有限可能有错欢迎大家在评论区指正和讨论。如果觉得写的还行请点点赞你的赞是我更新的动力!感谢资料的作者适用人群快速了解、复习RAG常见八股文章目录AI Agent 面试题库 · RAG 系统篇通用 开发岗第一部分RAG 核心原理必考Q1RAG 工作原理 vs 微调Q2完整 RAG 流水线Q3切块策略与权衡Q4Embedding 选型与评估第二部分检索优化Q5提升检索质量的技术开发岗高频第三部分评估与优化Q8RAG 全面评估第四部分工程实践Q10RAG 部署挑战开发岗高频Q11搜索系统 vs RAGQ12开源 RAG 框架选型第五部分RAG 进阶技术真题补充Q15RAG 噪声处理Q16BM25 原理Q17意图识别实现Q19召回-过滤-生成 三段式Q20Function Calling 和 MCPQ21高并发下优化召回与生成延迟开发岗高频Q22Agent 调用搜索引擎如何避免无关结果参考资料AI Agent 面试题库 · RAG 系统篇通用 开发岗第一部分RAG 核心原理必考Q1RAG 工作原理 vs 微调RAG先把外部知识做成离线索引切块 →Embedding→ 存向量库查询时在线检索相关片段作为上下文注入 PromptLLM 基于上下文生成答案。属于非参数化知识。微调微调把知识参数化写进权重成本高、更新慢、易幻觉、难溯源。RAG优势知识实时更新、可溯源/可解释、更新成本低、减少幻觉、领域知识快速接入、按权限隔离数据。RAG局限检索质量决定上限、受上下文长度限制、多跳推理弱。难度 ⭐⭐ 岗位通用 标签#检索增强 #核心概念 字节 / 阿里 / 腾讯高频Q2完整 RAG 流水线数据准备文档采集 →解析PDF / 表格 / OCR→清洗→切块 Chunking→Embedding→向量入库ANN 索引HNSW / IVF。使用阶段用户提问→Query 改写 / 扩展→ 向量召回Top-k→可选混合检索→重排 Rerank→上下文组装去重、排序→Prompt 模板→LLM 生成。评估迭代离线指标线上反馈→ 回流优化。难度 ⭐⭐ 岗位通用 标签#流程 #系统设计Q3切块策略与权衡大小太小 →语义碎片化、上下文不足太大 →噪声多、稀释关键信息、超 Embedding 有效长度、成本高。常见起点256–512 tokens。重叠 Overlap10%–20%防止句子被边界切断过大 →冗余、召回重复。切法固定长度 /递归切分/语义切分按相似度断点/ 按结构Markdown 标题、代码函数。权衡核心语义完整性 vs 检索精度 vs 存储成本。中文按标点切表格、代码单独处理。难度 ⭐⭐ 岗位通用 标签#文档处理 #切块策略Q4Embedding 选型与评估选型维度语言支持、维度 / 模型大小性能 vs 存储 / 延迟、最大输入长度、领域适配、部署方式API vs 本地、成本。主流模型BGE、M3E、GTE、Conan、Jina、text-embedding-3。评估榜单MTEB / C-MTEB检索指标Recallk(前 k 条里召回了多少相关文档)、MRR(第一个正确结果排在第几位的倒数平均)、NDCGk(带位置折损的排序质量)、Hit Rate相似度任务看Spearman 相关。最终以业务端到端召回质量为准。难度 ⭐⭐ 岗位通用 标签#Embedding #模型选择第二部分检索优化Q5提升检索质量的技术开发岗高频混合检索 HybridBM25稀疏 向量稠密用RRF融合互补关键词与语义。Query 改写HyDE先生成假设答案再检索、Multi-Query 多查询、子问题分解。重排 RerankCross-Encoder / BGE-Reranker对 Top-k 精排。切块增强父子块 Parent-Child、小-大检索、上下文增强。其他元数据过滤时间 / 来源 / 权限、多路召回 去重、GraphRAG 图检索、微调 Embedding。难度 ⭐⭐⭐ 岗位算法岗、开发岗通用 标签#检索优化 #混合检索 字节 / 阿里高频第三部分评估与优化Q8RAG 全面评估检索阶段Recallk、Precisionk、MRR、NDCG、Hit Rate、Context Recall / Precision。生成阶段Faithfulness忠实度 / 无幻觉、Answer Relevancy答案相关性、Groundedness、引用准确率。框架RAGAS、TruLens、ARES、DeepEvalLLM-as-Judge。核心思想检索与生成分开评估才能定位问题在「没搜到」还是「搜到了没答对」。难度 ⭐⭐⭐ 岗位通用 标签#评估 #指标设计第四部分工程实践Q10RAG 部署挑战开发岗高频检索质量召回不准、语义鸿沟、领域词。延迟吞吐ANN 检索、Embedding 计算、LLM 生成延迟、高并发压力。成本Embedding、存储、Token 费用。数据管理增量更新、版本 / 删除同步、分布漂移。其他上下文限制、Lost in the Middle、多租户 / 权限隔离、幻觉与溯源、可观测性与评估闭环、亿级扩展与索引重建。难度 ⭐⭐⭐ 岗位开发岗重点 标签#部署 #工程实践 字节 / 阿里高频Q11搜索系统 vs RAG传统搜索核心是召回 排序返回文档列表给用户自读优化相关性排序BM25、LTR。RAG在检索之上加生成环节LLM阅读理解后直接给答案并引用来源。联系RAG 复用搜索的召回 / 排序作为底座。区别输出形态文档列表 vs 自然语言答案、排序目标相关性 vs 对生成的有用性、Query 形态关键词 vs 自然语言问题、评价指标不同。要点RAG 对检索要求更高 —— 需要高召回 高精度片段而非仅「能搜到」。难度 ⭐⭐ 岗位开发岗重点 标签#搜索系统 #对比分析Q12开源 RAG 框架选型主流框架RAGFlowDeepDoc 深度文档解析、可视化切块、LangChain / LlamaIndex灵活编排、生态大、Dify低代码工作流、FastGPT知识库问答、Haystack、Verba。选型维度文档解析能力PDF / 表格 / OCR、切块可控性、检索策略混合 / 重排、可观测与评估、部署方式、二次开发扩展性、社区活跃度、成本。场景建议POC 快速验证→ Dify / FastGPT合同 / 研报等深度解析→ RAGFlow高度定制→ LangChain / LlamaIndex 自研。难度 ⭐⭐ 岗位开发岗重点 标签#框架选型 #工程实践第五部分RAG 进阶技术真题补充Q15RAG 噪声处理来源解析错误、切块不当、无关召回、重复内容、过时信息。数据侧清洗去重、质量过滤规则 模型、切块优化。检索侧Rerank 重排、相关性阈值过滤、元数据过滤、多路召回投票。生成侧Prompt 约束「仅依据上下文作答无则说不知道」、引用溯源、Self-RAG / CRAG 反思检索。核心提升信噪比 召回端求精 生成端约束。难度 ⭐⭐ 岗位通用 标签#噪声处理 #数据质量 字节 / 阿里Q16BM25 原理定义稀疏检索代表基于TF词频 IDF逆文档频率的概率排序模型。三要素TF 饱和词频高则权重大但有上限由k1控制、IDF词越罕见越重要、文档长度归一化b惩罚长文档。公式直觉score Σ IDF(qi) · [TF·(k11)] / [TF k1·(1-bb·|d|/avgdl)]参数k1 ≈ 1.2–2.0、b ≈ 0.75。优缺点无需训练、快、可解释、关键词精确匹配强但无语义同义词 / 改述召回不到→ 与向量互补成混合检索。难度 ⭐⭐ 岗位通用 标签#BM25 #稀疏检索 字节 / 阿里高频Q17意图识别实现定义判断 Query 的意图类别用于路由到不同链路。实现路径①规则 / 关键词匹配②传统 ML 分类TF-IDF SVM③文本分类模型BERT 微调④LLM 分类 / Function Calling零样本、灵活⑤向量相似度匹配。工程要点标签体系设计、多意图 / 未知意图兜底、置信度阈值 降级路由。难度 ⭐⭐ 岗位开发岗重点 标签#意图识别 #NLU 字节 / 阿里Q19召回-过滤-生成 三段式召回 Recall多路召回向量 BM25 元数据目标高召回、宁多勿漏关注ANN 索引、Query 改写。过滤 / 精排 Filter去重、Cross-Encoder 重排、阈值过滤、MMR 多样性、时间 / 权限过滤目标高精度。生成 Generate上下文排序组装关键信息放头尾缓解 Lost in the Middle、Prompt 约束、引用标注、幻觉控制。核心思想召回求全、过滤求精、生成求稳每段独立评估、独立优化。难度 ⭐⭐⭐ 岗位通用 标签#Pipeline设计 #三段式 字节真题Q20Function Calling 和 MCPFunction CallingLLM 通过结构化输出JSON Schema决定调哪个工具、传什么参数外部执行后结果回喂LLM 继续推理。是Agent 调工具的基础机制。MCPModel Context ProtocolAnthropic 提出的开放协议标准化LLM 与外部数据源 / 工具的对接「AI 的 USB-C」解决接入碎片化。区别Function Calling 是模型调用范式MCP 是标准化接入协议让工具一次开发、多客户端复用。难度 ⭐⭐ 岗位开发岗重点 标签#Function Calling #MCP 字节 / 阿里Q21高并发下优化召回与生成延迟开发岗高频召回侧ANN 索引HNSW / IVF-PQ、向量量化PQ / SQ压缩、语义缓存、多路并行召回、异步调用 Embedding、向量库分片 / GPU 加速、缩小Rerank 规模。生成侧流式输出 Streaming降首 Token 延迟、投机解码、KV Cache 复用、模型分级简单任务小模型、Prompt 压缩、Continuous BatchingvLLM / TGI。系统侧限流降级、预计算 / 预热、负载均衡、监控定位瓶颈。难度 ⭐⭐⭐ 岗位开发岗重点 标签#高并发 #延迟优化 字节真题Q22Agent 调用搜索引擎如何避免无关结果结果过滤Rerank 重排、阈值截断、去重、限制 Top-k。信源筛选权威性排序、域名黑白名单、时效过滤。Query 优化精准改写、垂直 / 站内搜索、多查询。摘要提取先做抽取式摘要只把相关片段喂给 LLM。Prompt 约束要求「仅依据结果作答、无相关信息则明说」、强制引用来源。二次校验Self-RAG / CRAG反思、交叉验证。难度 ⭐⭐ 岗位通用 标签#结果过滤 #相关性 字节真题参考资料资料推荐[1]是github高星八股项目本文源自这个地方建议查看完整版。[1] AI Agent 面试题库 - RAG 系统篇