RAG 面试高频 100 题

定位: RAG 知识库的"检验场"——通过面试题验证对 RAG 各板块的理解 使用方式: 先读原理笔记，再用本题自测题数: 按领域分类，覆盖 6 大板块

一、RAG 基础与原理（15 题）

考察范围: **RAG基础索引**

1.1 什么是 RAG？它解决了 LLM 的哪些核心缺陷？

考察点: 概念理解、问题分析 → 详阅 **什么是RAG**

1.2 RAG 的三段式架构是什么？每个阶段的关键变量是什么？

考察点: 架构理解、Pipeline 设计 → 详阅 **什么是RAG**

1.3 Naive RAG vs Advanced RAG vs Modular RAG 的区别？

考察点: 架构演进、技术选型 → 详阅 **RAG系统架构总览**

1.4 RAG 中检索的 K 值如何选择？太大或太小有什么问题？

考察点: 参数理解、系统设计 → 详阅 **RAG系统架构总览**

1.5 RAG 的幻觉是如何产生的？怎么减轻？

考察点: 问题诊断、优化思维 → 详阅 **什么是RAG**

1.6 RAG 和 Fine-tuning 的核心区别是什么？各自解决什么问题？

考察点: 对比分析、技术选型 → 详阅 **RAGvs微调-技术选型对比**

1.7 什么场景应该选 RAG？什么场景选 Fine-tuning？什么场景两者结合？

考察点: 场景判断、组合策略 → 详阅 **RAGvs微调-技术选型对比**

1.8 RAG + Fine-tuning 组合的常见模式有哪些？

考察点: 组合策略、工程思维 → 详阅 **RAGvs微调-技术选型对比**

1.9 Modular RAG 相比前两代架构的核心优势？

考察点: 架构理解 → 详阅 **RAG系统架构总览**

1.10 RAG 的延迟瓶颈一般在哪里？如何优化？

考察点: 系统思维、性能优化 → 详阅 **RAG系统架构总览**

1.11 RAG 适合什么场景？不适合什么？

考察点: 边界理解 → 详阅 **什么是RAG**

1.12 为什么说 RAG 不改变模型，而是改变模型能看到的信息？

考察点: 核心思想理解 → 详阅 **什么是RAG**

1.13 倒排索引相比向量检索的优缺点？

考察点: 检索基础 → 详阅 **RAG系统架构总览**

1.14 Embedding 模型何时被使用？在 RAG Pipeline 中出现几次？

考察点: 架构理解 → 详阅 **RAG系统架构总览**

1.15 RAG 是否适用于多轮对话场景？需要注意什么？

考察点: 场景扩展 → 详阅 **什么是RAG**

二、检索系统（25 题）

考察范围: **检索系统索引**

2.1 文本分块时 chunk_size 和 chunk_overlap 如何确定？

考察点: 参数理解 → 详阅 **文本分块策略**

2.2 递归字符分块（RecursiveCharacterTextSplitter）的原理是什么？

考察点: 算法理解 → 详阅 **文本分块策略**

2.3 分块太小或太大会有什么问题？

考察点: 质量分析 → 详阅 **文本分块策略**

2.4 Embedding 模型的作用是什么？它如何将文本转为向量？

考察点: 基础概念 → 详阅 **Embedding模型与向量化**

2.5 常见的 Embedding 模型有哪些？中文场景推荐什么？

考察点: 技术选型 → 详阅 **Embedding模型与向量化**

2.6 向量维度高低如何选择？维度越大越好吗？

考察点: 维度理解、成本意识 → 详阅 **Embedding模型与向量化**

2.7 为什么索引和检索必须使用同一 Embedding 模型？

考察点: 原理理解 → 详阅 **Embedding模型与向量化**

2.8 对比 FAISS、Chroma、Pinecone、Milvus 的适用场景。

考察点: 数据库选型 → 详阅 **向量数据库选型与对比**

2.9 HNSW 索引的原理和参数选择？

考察点: 索引原理 → 详阅 **向量数据库选型与对比**

2.10 ANN 搜索和 KNN 搜索的区别？

考察点: 算法理解 → 详阅 **向量数据库选型与对比**

2.11 混合检索（Hybrid Search）解决了什么问题？

考察点: 问题分析 → 详阅 **检索与重排序**

2.12 BM25 和向量检索各自的优势和劣势？

考察点: 检索理解 → 详阅 **检索与重排序**

2.13 RRF（Reciprocal Rank Fusion）的原理是什么？

考察点: 算法理解 → 详阅 **检索与重排序**

2.14 Bi-Encoder 和 Cross-Encoder 的区别？

考察点: 编码器理解 → 详阅 **检索与重排序**

2.15 为什么需要重排序（Reranking）？它和向量检索的定位有何不同？

考察点: 架构设计 → 详阅 **检索与重排序**

2.16 主流 Reranker 模型有哪些？（中文场景推荐）

考察点: 技术选型 → 详阅 **检索与重排序**

2.17 文档加载中 PDF 提取有哪些坑？怎么解决？

考察点: 实践经验 → 详阅 **文档加载与解析**

2.18 不同类型文档（PDF/网页/数据库）的加载策略有何不同？

考察点: 多源处理 → 详阅 **文档加载与解析**

2.19 Metadata 在 RAG 检索中的作用有哪些？

考察点: 工程理解 → 详阅 **文档加载与解析**

2.20 语义分块和递归分块的区别？什么场景用语义分块？

考察点: 策略对比 → 详阅 **文本分块策略**

2.21 向量数据库中标量过滤对性能的影响？

考察点: 性能理解 → 详阅 **向量数据库选型与对比**

2.22 大规模向量检索（上亿级别）的挑战和解决方案？

考察点: 系统设计 → 详阅 **向量数据库选型与对比**

2.23 PQ（乘积量化）索引的原理和优缺点？

考察点: 索引理解 → 详阅 **向量数据库选型与对比**

2.24 如何评估检索质量？常用的指标有哪些？

考察点: 评估理解 → 详阅 **检索与重排序**

2.25 如果检索结果中混入了不相关的文档，会如何影响生成质量？

考察点: 链路理解 → 详阅 **检索与重排序**

三、生成与融合（20 题）

考察范围: **生成融合索引**

3.1 RAG 场景下生成模型选型最重要的因素有哪些？

考察点: 选型理解 → 详阅 **生成模型选择与Prompt设计**

3.2 一个好的 RAG Prompt 模板应该包含哪些部分？

考察点: Prompt 设计 → 详阅 **生成模型选择与Prompt设计**

3.3 如何通过 Prompt 设计降低 RAG 的幻觉？

考察点: 反幻觉设计 → 详阅 **生成模型选择与Prompt设计**

3.4 上下文窗口不够时，有哪些处理策略？

考察点: 窗口管理 → 详阅 **上下文窗口管理**

3.5 MMR（最大边际相关性）排序的原理是什么？

考察点: 排序算法 → 详阅 **上下文窗口管理**

3.6 上下文压缩（Context Compression）的原理和 trade-off？

考察点: 压缩理解 → 详阅 **上下文窗口管理**

3.7 MapReduce RAG 适用什么场景？

考察点: 分治理解 → 详阅 **上下文窗口管理**

3.8 HyDE 的原理是什么？解决了什么问题？

考察点: 算法理解 → 详阅 **HyDE与查询转换**

3.9 Multi-Query 和 HyDE 的区别和适用场景？

考察点: 策略对比 → 详阅 **HyDE与查询转换**

3.10 Step-back Prompting 的适用场景？

考察点: 查询优化 → 详阅 **HyDE与查询转换**

3.11 查询路由（Query Routing）如何设计？

考察点: 架构设计 → 详阅 **HyDE与查询转换**

3.12 多模态 RAG 的三种架构方案？各有什么优劣？

考察点: 架构理解 → 详阅 **多模态RAG**

3.13 多模态 RAG 中如何将图片检索结果提供给生成模型？

考察点: 实现理解 → 详阅 **多模态RAG**

3.14 LLM 上下文窗口越来越大（100K+），是否完全解决了窗口管理问题？

考察点: 深度思考 → 详阅 **上下文窗口管理**

3.15 RAG 生成结果中引用来源的最佳实践？

考察点: 工程实践 → 详阅 **生成模型选择与Prompt设计**

3.16 模型温度参数对 RAG 生成的影响？

考察点: 参数理解 → 详阅 **生成模型选择与Prompt设计**

3.17 RAG 的 Prompt 和普通 LLM Prompt 设计有什么不同？

考察点: 对比理解 → 详阅 **生成模型选择与Prompt设计**

3.18 当检索结果内容冲突时，Prompt 应该如何设计？

考察点: 异常处理 → 详阅 **生成模型选择与Prompt设计**

3.19 长上下文模型中，检索结果如何排列对生成效果更好？

考察点: 排列策略 → 详阅 **上下文窗口管理**

3.20 跨模态 Embedding（如 CLIP）的工作方式？

考察点: 多模态理解 → 详阅 **多模态RAG**

四、进阶 RAG 模式（15 题）

考察范围: **进阶RAG索引**

4.1 Agentic RAG 比传统 RAG 强在哪里？

考察点: 架构对比 → 详阅 **AgenticRAG**

4.2 Agentic RAG 可能面临的挑战和风险？

考察点: 风险评估 → 详阅 **AgenticRAG**

4.3 Self-RAG 的核心创新（反思 Token）是什么？

考察点: 论文理解 → 详阅 **SelfRAG与CorrectiveRAG**

4.4 Corrective RAG（CRAG）和 Self-RAG 的区别？

考察点: 对比分析 → 详阅 **SelfRAG与CorrectiveRAG**

4.5 Self-RAG 在实践中的主要难点？

考察点: 实践理解 → 详阅 **SelfRAG与CorrectiveRAG**

4.6 Graph RAG 解决了向量检索的什么局限？

考察点: 问题理解 → 详阅 **GraphRAG**

4.7 Microsoft GraphRAG 的社区摘要机制是什么？

考察点: 论文理解 → 详阅 **GraphRAG**

4.8 Graph RAG 的主要代价和适用场景？

考察点: 成本意识 → 详阅 **GraphRAG**

4.9 RAPTOR 的树状结构和传统分块的区别？

考察点: 架构对比 → 详阅 **RAPTOR与分层检索**

4.10 RAPTOR 的两种检索策略（自顶向下 vs 全层）各有什么特点？

考察点: 检索策略 → 详阅 **RAPTOR与分层检索**

4.11 RAPTOR 和 Graph RAG 的区别和联系？

考察点: 对比理解 → 详阅 **RAPTOR与分层检索**

4.12 如果 Agent 在 Agentic RAG 中陷入循环，如何解决？

考察点: 工程实践 → 详阅 **AgenticRAG**

4.13 基础 RAG → Advanced RAG → Agentic RAG → Self-RAG 的关系？

考察点: 演进理解 → 详阅 **SelfRAG与CorrectiveRAG**

4.14 Graph RAG 和向量检索是否可以结合？如何结合？

考察点: 组合思维 → 详阅 **GraphRAG**

4.15 生产环境应该选哪种进阶 RAG 模式？为什么？

考察点: 场景判断 → 详阅 **AgenticRAG**

五、评估与优化（15 题）

考察范围: **评估优化索引**

5.1 RAGAS 是什么？它是如何评估 RAG 系统的？

考察点: 框架理解 → 详阅 **RAGAS评估框架**

5.2 RAGAS 的核心指标有哪些？每个指标的评估对象是什么？

考察点: 指标理解 → 详阅 **评估指标详解**

5.3 Faithfulness 和 Answer Relevancy 的区别是什么？

考察点: 对比理解 → 详阅 **评估指标详解**

5.4 Context Precision 和 Context Recall 的 trade-off 是什么？

考察点: 权衡理解 → 详阅 **评估指标详解**

5.5 RAG 系统调优应该从哪个指标入手？为什么？

考察点: 调优方法论 → 详阅 **RAG系统调优策略**

5.6 同一个改动（如加 Reranker）同时影响哪些指标？

考察点: 链路理解 → 详阅 **RAG系统调优策略**

5.7 如何设计 RAG 系统的 A/B 实验？

考察点: 实验思维 → 详阅 **RAG系统调优策略**

5.8 RAG 系统中效果最显著的优化是什么？为什么？

考察点: 实践见解 → 详阅 **RAG系统调优策略**

5.9 为什么传统 NLG 指标（BLEU/ROUGE）不适合评估 RAG？

考察点: 评估理解 → 详阅 **RAGAS评估框架**

5.10 Faithfulness 低时，如何定位是检索问题还是 Prompt 问题？

考察点: 诊断能力 → 详阅 **评估指标详解**

5.11 如何评估一个 RAG 系统的检索质量？

考察点: 评估方法 → 详阅 **RAGAS评估框架**

5.12 什么是"大海捞针"测试？对 RAG 评估有什么启示？

考察点: 评测理解 → 详阅 **RAGAS评估框架**

5.13 RAG 的测试集应该包含哪些类型的问题？

考察点: 测试设计 → 详阅 **评估指标详解**

5.14 LLM-as-Judge 评估方式的可靠性和偏差？

考察点: 评估认知 → 详阅 **RAGAS评估框架**

5.15 RAG 系统优化的终点是什么？何时可以停止调优？

考察点: 工程智慧 → 详阅 **RAG系统调优策略**

六、工程化实践（10 题）

考察范围: **工程化索引**

6.1 LangChain 的 LCEL 是什么？相比传统 Chain API 的优势？

考察点: 框架理解 → 详阅 **LangChain实践指南**

6.2 LangChain 和 LlamaIndex 的核心区别？

考察点: 框架对比 → 详阅 **LangChain实践指南**

6.3 LlamaIndex 有哪些索引类型？各自适用什么场景？

考察点: 索引理解 → 详阅 **LlamaIndex实践指南**

6.4 RAG 系统生产部署的主要挑战？

考察点: 工程理解 → 详阅 **RAG系统部署与监控**

6.5 RAG 系统监控的核心指标有哪些？

考察点: 运维理解 → 详阅 **RAG系统部署与监控**

6.6 如何降低 RAG 系统的端到端延迟？

考察点: 性能优化 → 详阅 **RAG系统部署与监控**

6.7 RAG 系统的 Prompt 注入攻击面有哪些？

考察点: 安全理解 → 详阅 **安全与隐私**

6.8 如何防护文档级别的 Prompt 注入？

考察点: 安全设计 → 详阅 **安全与隐私**

6.9 RAG 多租户场景的数据隔离怎么做？

考察点: 架构设计 → 详阅 **安全与隐私**

6.10 LangChain 和 LlamaIndex 可以一起用吗？怎么用？

考察点: 组合思维 → 详阅 **LlamaIndex实践指南**

七、综合与开放题（10 题）

7.1 请设计一个面向企业内部知识库的 RAG 系统，画出架构图并说明各组件选型理由。

考察范围: 全知识库

7.2 如果你的 RAG 系统回答总是不准确，你会如何系统性排查？

考察范围: **评估优化索引**

7.3 如何判断一个问题是否适合用 RAG 解决？

考察范围: **什么是RAG**

7.4 设计一个 RAG 系统的评估方案（指标、数据集、流程）。

考察范围: **评估优化索引**

7.5 对比两种检索优化方案：更多检索路径 vs 更强的 Reranker。

考察范围: **检索系统索引**

7.6 RAG 系统上线后，如何持续追踪和改进质量？

考察范围: **RAG系统调优策略**

7.7 从成本角度分析：RAG vs Fine-tuning vs RAG+FT，各需考虑哪些成本？

考察范围: **RAGvs微调-技术选型对比**

7.8 如何让 RAG 系统具备"不知道就说不知道"的能力？

考察范围: **生成模型选择与Prompt设计**

7.9 如果检索结果包含矛盾信息，RAG 系统应该如何处理？

考察范围: **上下文窗口管理**

7.10 你理想中的下一代 RAG 架构应该是什么样的？

考察范围: 全知识库

使用说明

如何自测

正确做法：
  1. 先阅读对应板块的原理笔记
  2. 尝试回答每个问题（口述或写下来）
  3. 回到原理笔记验证答案
  4. 标记不确定的题目，隔天再测

错误做法：
  1. 直接背面试题答案
  2. 题海战术不求甚解

答案定位

每题标注了对应的原理笔记，答案要点都可在笔记中找到。开放题（第7部分）需要综合多个板块的知识回答。

📚 相关链接

**RAG文库设计文档** — 知识库蓝图
各板块索引页 — 深入复习薄弱环节

RAG 面试高频 100 题 ​

一、RAG 基础与原理（15 题） ​

1.1 什么是 RAG？它解决了 LLM 的哪些核心缺陷？ ​

1.2 RAG 的三段式架构是什么？每个阶段的关键变量是什么？ ​

1.3 Naive RAG vs Advanced RAG vs Modular RAG 的区别？ ​

1.4 RAG 中检索的 K 值如何选择？太大或太小有什么问题？ ​

1.5 RAG 的幻觉是如何产生的？怎么减轻？ ​

1.6 RAG 和 Fine-tuning 的核心区别是什么？各自解决什么问题？ ​

1.7 什么场景应该选 RAG？什么场景选 Fine-tuning？什么场景两者结合？ ​

1.8 RAG + Fine-tuning 组合的常见模式有哪些？ ​

1.9 Modular RAG 相比前两代架构的核心优势？ ​

1.10 RAG 的延迟瓶颈一般在哪里？如何优化？ ​

1.11 RAG 适合什么场景？不适合什么？ ​

1.12 为什么说 RAG 不改变模型，而是改变模型能看到的信息？ ​

1.13 倒排索引相比向量检索的优缺点？ ​

1.14 Embedding 模型何时被使用？在 RAG Pipeline 中出现几次？ ​

1.15 RAG 是否适用于多轮对话场景？需要注意什么？ ​

二、检索系统（25 题） ​

2.1 文本分块时 chunk_size 和 chunk_overlap 如何确定？ ​

2.2 递归字符分块（RecursiveCharacterTextSplitter）的原理是什么？ ​

2.3 分块太小或太大会有什么问题？ ​

2.4 Embedding 模型的作用是什么？它如何将文本转为向量？ ​

2.5 常见的 Embedding 模型有哪些？中文场景推荐什么？ ​

2.6 向量维度高低如何选择？维度越大越好吗？ ​

2.7 为什么索引和检索必须使用同一 Embedding 模型？ ​

2.8 对比 FAISS、Chroma、Pinecone、Milvus 的适用场景。 ​

2.9 HNSW 索引的原理和参数选择？ ​

2.10 ANN 搜索和 KNN 搜索的区别？ ​

2.11 混合检索（Hybrid Search）解决了什么问题？ ​

2.12 BM25 和向量检索各自的优势和劣势？ ​

2.13 RRF（Reciprocal Rank Fusion）的原理是什么？ ​

2.14 Bi-Encoder 和 Cross-Encoder 的区别？ ​

2.15 为什么需要重排序（Reranking）？它和向量检索的定位有何不同？ ​

2.16 主流 Reranker 模型有哪些？（中文场景推荐） ​

2.17 文档加载中 PDF 提取有哪些坑？怎么解决？ ​

2.18 不同类型文档（PDF/网页/数据库）的加载策略有何不同？ ​

2.19 Metadata 在 RAG 检索中的作用有哪些？ ​

2.20 语义分块和递归分块的区别？什么场景用语义分块？ ​

2.21 向量数据库中标量过滤对性能的影响？ ​

2.22 大规模向量检索（上亿级别）的挑战和解决方案？ ​

2.23 PQ（乘积量化）索引的原理和优缺点？ ​

2.24 如何评估检索质量？常用的指标有哪些？ ​

2.25 如果检索结果中混入了不相关的文档，会如何影响生成质量？ ​

三、生成与融合（20 题） ​

3.1 RAG 场景下生成模型选型最重要的因素有哪些？ ​

3.2 一个好的 RAG Prompt 模板应该包含哪些部分？ ​

3.3 如何通过 Prompt 设计降低 RAG 的幻觉？ ​

3.4 上下文窗口不够时，有哪些处理策略？ ​

3.5 MMR（最大边际相关性）排序的原理是什么？ ​

3.6 上下文压缩（Context Compression）的原理和 trade-off？ ​

3.7 MapReduce RAG 适用什么场景？ ​

3.8 HyDE 的原理是什么？解决了什么问题？ ​

3.9 Multi-Query 和 HyDE 的区别和适用场景？ ​

3.10 Step-back Prompting 的适用场景？ ​

3.11 查询路由（Query Routing）如何设计？ ​

3.12 多模态 RAG 的三种架构方案？各有什么优劣？ ​

3.13 多模态 RAG 中如何将图片检索结果提供给生成模型？ ​

3.14 LLM 上下文窗口越来越大（100K+），是否完全解决了窗口管理问题？ ​

3.15 RAG 生成结果中引用来源的最佳实践？ ​

3.16 模型温度参数对 RAG 生成的影响？ ​

3.17 RAG 的 Prompt 和普通 LLM Prompt 设计有什么不同？ ​

3.18 当检索结果内容冲突时，Prompt 应该如何设计？ ​

3.19 长上下文模型中，检索结果如何排列对生成效果更好？ ​

3.20 跨模态 Embedding（如 CLIP）的工作方式？ ​

四、进阶 RAG 模式（15 题） ​

4.1 Agentic RAG 比传统 RAG 强在哪里？ ​

4.2 Agentic RAG 可能面临的挑战和风险？ ​

4.3 Self-RAG 的核心创新（反思 Token）是什么？ ​

4.4 Corrective RAG（CRAG）和 Self-RAG 的区别？ ​

4.5 Self-RAG 在实践中的主要难点？ ​

4.6 Graph RAG 解决了向量检索的什么局限？ ​

4.7 Microsoft GraphRAG 的社区摘要机制是什么？ ​

4.8 Graph RAG 的主要代价和适用场景？ ​

4.9 RAPTOR 的树状结构和传统分块的区别？ ​

4.10 RAPTOR 的两种检索策略（自顶向下 vs 全层）各有什么特点？ ​

4.11 RAPTOR 和 Graph RAG 的区别和联系？ ​

4.12 如果 Agent 在 Agentic RAG 中陷入循环，如何解决？ ​

4.13 基础 RAG → Advanced RAG → Agentic RAG → Self-RAG 的关系？ ​

4.14 Graph RAG 和向量检索是否可以结合？如何结合？ ​

4.15 生产环境应该选哪种进阶 RAG 模式？为什么？ ​

RAG 面试高频 100 题

一、RAG 基础与原理（15 题）

1.1 什么是 RAG？它解决了 LLM 的哪些核心缺陷？

1.2 RAG 的三段式架构是什么？每个阶段的关键变量是什么？

1.3 Naive RAG vs Advanced RAG vs Modular RAG 的区别？

1.4 RAG 中检索的 K 值如何选择？太大或太小有什么问题？

1.5 RAG 的幻觉是如何产生的？怎么减轻？

1.6 RAG 和 Fine-tuning 的核心区别是什么？各自解决什么问题？

1.7 什么场景应该选 RAG？什么场景选 Fine-tuning？什么场景两者结合？

1.8 RAG + Fine-tuning 组合的常见模式有哪些？

1.9 Modular RAG 相比前两代架构的核心优势？

1.10 RAG 的延迟瓶颈一般在哪里？如何优化？

1.11 RAG 适合什么场景？不适合什么？

1.12 为什么说 RAG 不改变模型，而是改变模型能看到的信息？

1.13 倒排索引相比向量检索的优缺点？

1.14 Embedding 模型何时被使用？在 RAG Pipeline 中出现几次？

1.15 RAG 是否适用于多轮对话场景？需要注意什么？

二、检索系统（25 题）

2.1 文本分块时 chunk_size 和 chunk_overlap 如何确定？

2.2 递归字符分块（RecursiveCharacterTextSplitter）的原理是什么？

2.3 分块太小或太大会有什么问题？

2.4 Embedding 模型的作用是什么？它如何将文本转为向量？

2.5 常见的 Embedding 模型有哪些？中文场景推荐什么？

2.6 向量维度高低如何选择？维度越大越好吗？

2.7 为什么索引和检索必须使用同一 Embedding 模型？

2.8 对比 FAISS、Chroma、Pinecone、Milvus 的适用场景。

2.9 HNSW 索引的原理和参数选择？

2.10 ANN 搜索和 KNN 搜索的区别？

2.11 混合检索（Hybrid Search）解决了什么问题？

2.12 BM25 和向量检索各自的优势和劣势？

2.13 RRF（Reciprocal Rank Fusion）的原理是什么？

2.14 Bi-Encoder 和 Cross-Encoder 的区别？

2.15 为什么需要重排序（Reranking）？它和向量检索的定位有何不同？

2.16 主流 Reranker 模型有哪些？（中文场景推荐）

2.17 文档加载中 PDF 提取有哪些坑？怎么解决？

2.18 不同类型文档（PDF/网页/数据库）的加载策略有何不同？

2.19 Metadata 在 RAG 检索中的作用有哪些？

2.20 语义分块和递归分块的区别？什么场景用语义分块？

2.21 向量数据库中标量过滤对性能的影响？

2.22 大规模向量检索（上亿级别）的挑战和解决方案？

2.23 PQ（乘积量化）索引的原理和优缺点？

2.24 如何评估检索质量？常用的指标有哪些？

2.25 如果检索结果中混入了不相关的文档，会如何影响生成质量？

三、生成与融合（20 题）

3.1 RAG 场景下生成模型选型最重要的因素有哪些？

3.2 一个好的 RAG Prompt 模板应该包含哪些部分？

3.3 如何通过 Prompt 设计降低 RAG 的幻觉？

3.4 上下文窗口不够时，有哪些处理策略？

3.5 MMR（最大边际相关性）排序的原理是什么？

3.6 上下文压缩（Context Compression）的原理和 trade-off？

3.7 MapReduce RAG 适用什么场景？

3.8 HyDE 的原理是什么？解决了什么问题？

3.9 Multi-Query 和 HyDE 的区别和适用场景？

3.10 Step-back Prompting 的适用场景？

3.11 查询路由（Query Routing）如何设计？

3.12 多模态 RAG 的三种架构方案？各有什么优劣？

3.13 多模态 RAG 中如何将图片检索结果提供给生成模型？

3.14 LLM 上下文窗口越来越大（100K+），是否完全解决了窗口管理问题？

3.15 RAG 生成结果中引用来源的最佳实践？

3.16 模型温度参数对 RAG 生成的影响？

3.17 RAG 的 Prompt 和普通 LLM Prompt 设计有什么不同？

3.18 当检索结果内容冲突时，Prompt 应该如何设计？

3.19 长上下文模型中，检索结果如何排列对生成效果更好？

3.20 跨模态 Embedding（如 CLIP）的工作方式？

四、进阶 RAG 模式（15 题）

4.1 Agentic RAG 比传统 RAG 强在哪里？

4.2 Agentic RAG 可能面临的挑战和风险？

4.3 Self-RAG 的核心创新（反思 Token）是什么？

4.4 Corrective RAG（CRAG）和 Self-RAG 的区别？

4.5 Self-RAG 在实践中的主要难点？

4.6 Graph RAG 解决了向量检索的什么局限？

4.7 Microsoft GraphRAG 的社区摘要机制是什么？

4.8 Graph RAG 的主要代价和适用场景？

4.9 RAPTOR 的树状结构和传统分块的区别？

4.10 RAPTOR 的两种检索策略（自顶向下 vs 全层）各有什么特点？

4.11 RAPTOR 和 Graph RAG 的区别和联系？

4.12 如果 Agent 在 Agentic RAG 中陷入循环，如何解决？

4.13 基础 RAG → Advanced RAG → Agentic RAG → Self-RAG 的关系？

4.14 Graph RAG 和向量检索是否可以结合？如何结合？

4.15 生产环境应该选哪种进阶 RAG 模式？为什么？