专栏：大模型应用开发：从原理到生产篇号：48内容标签：RAG、系统设计、大模型面试、向量检索、知识库上一篇，我们把 Prompt、RAG、微调和 Agent 放进了一棵技术选型树。如果问题来自外部知识，资料会持续变化，答案又需要来源定位，RAG 往往是第一轮候选。但决定使用 RAG，只是开始。面试官接下来很可能会问：那你设计一个企业文档问答系统。很多回答会立刻变成组件清单：先切块。 再做 Embedding。 存进向量数据库。 用户提问后做相似度检索。 最后把 Top-K 交给大模型。这条链路能做 Demo。但它还不是一个可靠的系统设计。因为真实项目不会只问“能不能返回答案”。它还会问：PDF 如果解析错了怎么办？新旧文档怎样避免混用？查询和文档用了不同 Embedding 版本怎么办？正确证据为什么没有进入最终上下文？模型生成的引用是真实存在的吗？证据不足时能不能拒答？
专栏：大模型应用开发：从原理到生产篇号：48内容标签：RAG、系统设计、大模型面试、向量检索、知识库上一篇，我们把 Prompt、RAG、微调和 Agent 放进了一棵技术选型树。如果问题来自外部知识，资料会持续变化，答案又需要来源定位，RAG 往往是第一轮候选。但决定使用 RAG，只是开始。面试官接下来很可能会问：那你设计一个企业文档问答系统。很多回答会立刻变成组件清单：先切块。 再做 Embedding。 存进向量数据库。 用户提问后做相似度检索。 最后把 Top-K 交给大模型。这条链路能做 Demo。但它还不是一个可靠的系统设计。因为真实项目不会只问“能不能返回答案”。它还会问：PDF 如果解析错了怎么办？新旧文档怎样避免混用？查询和文档用了不同 Embedding 版本怎么办？正确证据为什么没有进入最终上下文？模型生成的引用是真实存在的吗？证据不足时能不能拒答？
)
