面试优先顺序（通用 AI 应用开发岗位）：Q1、Q2、Q5、Q6、Q7、Q12、Q15、Q16、Q20。其余题目用于进阶或特定岗位拓展；实际频率会随岗位和面试轮次变化，产品版本资讯不应当作通用必考题。
难度： ⭐⭐⭐⭐ 考点： 检索增强生成、向量数据库、Embedding、检索优化
| 概念 | 一句话解释 |
|---|---|
| RAG | 先检索知识，再生成答案 |
| Embedding | 文本转语义向量 |
| Embedding选型 | 中文bge-large-zh,多语言M3,预算足OpenAI |
| 余弦相似度 | 算向量接近程度（-1 到 1） |
| 向量数据库 | 专为"找相似"设计的数据库 |
| Chunking | 把长文档切成小块 |
| 混合检索 | 向量 + 关键词一起搜 |
| GraphRAG | 知识图谱+图遍历，多跳推理准确率+37% |
| Agentic RAG | Agent主动控制检索策略，动态多轮检索 |
| Rerank | 对检索结果重新排序 |
| ANN | 近似最近邻搜索，加速检索 |
| Query改写 | 优化问题,补充上下文,HyDE生成假设答案 |
| 上下文压缩 | 提取相关片段,减少无效Token,降成本 |
| Late Chunking | 先embedding再切分,保留完整上下文 |
| 幻觉优化 | RAG提供证据+低Temperature+CoT推理，幻觉率<5% |
| RAG效果提升 | 混合检索+Rerank+Query重写+上下文压缩四步走 |
题目目录（按原文档学习顺序，⭐ = 面试高频优先题）
优化策略题
基础概念题
- ⭐ Q1 · 什么是 RAG？为什么需要 RAG？
- ⭐ Q2 · RAG 的完整流程是什么？
- Q3 · 为什么 RAG 要用向量数据库？其他数据库不行吗？
- Q4 · Embedding 是什么？1536 维什么意思？
架构设计题
补充高频题（2025-2026 全网最新）
- Q18 · 什么是多模态 RAG？如何实现图文混合检索？
- Q19 · Parent-Document Retrieval 和 Sentence Window Retrieval 是什么？
- ⭐ Q20 · 如何做 RAG 知识库的动态知识更新？有哪些策略？
高分实战案例
- Q10 · 什么是Query改写?如何提升检索效果?
- Q11 · 什么是上下文压缩?如何减少无效Token?
- ⭐ Q12 · 如何选择 Embedding 模型？有哪些关键维度？
- Q13 · GraphRAG 是什么？与普通向量 RAG 的核心区别？何时选择？
- Q14 · Agentic RAG 是什么？与普通 RAG 的区别？如何实现多跳推理？