这份是转行 AI、大模型应用、RAG 工程师岗位最常问的 20 道面试题，我直接给你：题目 + 标准答案（背了就能说）。
RAG 面试 20 题（含标准答案）
一、基础概念（必问 5 题）
1. 什么是 RAG？
RAG = Retrieval-Augmented Generation，
检索增强生成。
先从外部知识库
检索相关信息，再把信息交给大模型生成答案，让模型
不瞎编、更准确。
2. RAG 解决了大模型什么问题？
- 幻觉（胡说八道）
- 知识过时
- 无法使用私有数据
- 回答不可靠、不可追溯
3. RAG 和 Fine-tune（微调）有什么区别？
- RAG：不修改模型，外挂知识库，成本低、更新快、安全。
- Fine-tune：修改模型权重，成本高、周期长、数据难更新。
业务场景优先用 RAG。
4. RAG 的完整流程是什么？
- 加载文档
- 文本切分
- 向量化（Embedding）
- 构建向量库
- 用户问题向量化
- 检索相关片段
- 送入 Prompt
- 大模型生成答案
5. 什么是向量数据库？作用是什么？
存储文本向量，用于
快速相似度检索。
作用：
从海量文档里最快找到最相关的内容。
二、核心模块（开发必问 7 题）
6. 数据预处理为什么要切分（Chunk）？
- 大模型有上下文长度限制
- 太长会导致检索不准
- 切分后检索更快、更精准
7. 常用的切分方式是什么？参数怎么设？
用
RecursiveCharacterTextSplitter。
常用参数：
- chunk_size=500
- chunk_overlap=100
保证语义连贯，不切断句子。
8. 什么是 Embedding（向量）？
把文字变成
计算机能理解的数字数组，
语义相近的文本，向量距离更近。
9. 什么是上下文（Context）？
RAG 检索出来的
相关文档片段，
用来约束大模型
只根据这些内容回答。
10. 什么是检索（Retrieval）？
根据用户问题，在向量库中找到最相似的文档片段。
11. 什么是重排（Rerank）？为什么要用？
先粗检索 → 再用精排模型
重新排序，
提高
最相关内容排在前面的概率。
12. RAG 中 Prompt 重要吗？怎么写？
三、优化与落地（进阶必问 5 题）
13. RAG 效果不好怎么优化？
- 优化切分：chunk 大小、重叠
- 优化检索数量：k=3~5
- 加重排模型
- 优化 Prompt
- 清洗数据、去掉噪声
14. 如何判断 RAG 效果好不好？
- 答案是否准确
- 是否编造
- 是否完整
- 检索召回率是否足够
15. 大模型 temperature 设多少？
RAG 场景设
0~0.1，
越低越稳定、越不会瞎编。
16. 海量数据下 RAG 怎么优化？
- 使用高性能向量库（Milvus）
- 文档分层索引
- 使用多路召回
- 加入关键词检索 + 向量检索混合
17. RAG 存在哪些局限性？
- 无法处理超复杂推理
- 文档结构复杂（表格、图片）处理差
- 检索错误会导致答案错误
四、项目与场景（面试压轴 3 题）
18. 你做过的 RAG 项目是什么？
（你直接背这段）
我做过
企业知识库问答机器人，基于 LangChain + Chroma 实现 RAG，
支持 PDF 上传、文本切分、向量检索、精准问答，解决内部文档查询效率低的问题。
19. RAG 常见应用场景有哪些？
- 企业内部知识库
- 智能客服
- 法律 / 合同审查
- 政策 / 制度问答
- 技术文档助手
20. 为什么你们项目要用 RAG？
- 数据私有、不能上传公网
- 数据经常更新
- 要求答案准确、可追溯
- 成本低、开发快
送你 3 句面试万能话术（背熟）
- RAG 就是给大模型开卷考试，先查资料再回答。
- 核心流程：加载 — 切分 — 向量 — 检索 — 生成。
- 企业场景优先 RAG，成本低、效果稳、易落地。
声明：
1.本站主要是为了记录工作学习中遇到的问题，可能由于本人技术有限，内容难免有纰漏，一切内容仅供参考。
2.本站部分内容来源互联网,如果有图片或者内容侵犯您的权益请联系我们删除！
3.本站所有原创作品，包括文字、资料、图片、网页格式，转载时请标注作者与来源。
------------------------------------------------------------------------------------------------
出处：网际迅联
网址：https://www.wjxlkj.com
联系方式：
手机号码：13910758317
微信：13910758317
客服QQ：58053012
或下图二维码微信扫码或长按识别添加微信
