记忆点：知识、权限、检索、生成和评测必须一起设计。
💡 高分回答
1. 架构选型：RAG 是首选，Fine-tuning 是补充
"我会优先采用 Advanced RAG 架构而非微调。原因有三：
- 知识库需要频繁更新，RAG 只需更新向量库，而微调成本太高
- RAG 可以提供引用溯源，消除幻觉
- 微调无法处理海量非结构化文档的检索"
2. 数据清洗与切片
"切片不能简单按字符数。我会采用 Markdown 语义切片。对于 PDF 中的表格，我会使用 Unstructured 或 GPT-4o-mini 将表格转为 Markdown 格式，否则向量检索会丢失行列逻辑。"
进阶提分：
"我会给每个 Chunk 增加 Metadata（元数据），比如文件名、页码、所属部门。这样在检索时可以进行 Self-Querying（根据用户权限或范围过滤标签）。"
3. 检索优化
"单次向量检索往往不够。我会引入 Multi-Query Retrieval（将用户问题扩展成多个同义句）和 Hybrid Search（向量检索 + 关键词 BM25 检索）来提升召回率。"
进阶提分：
"我会加入 Rerank（重排序）环节。先从向量库召回 50 个候选片断，再用专门的 Reranker 模型（如 BGE-Reranker）精选出最相关的 Top-5。"
4. 评估与工程化
"我会建立一套 RAGAS 评估体系，重点监控四个维度：忠实度、相关度、上下文精度和召回率。"
进阶提分：
"为了降低 Token 成本和延迟，我会部署 Semantic Cache（语义缓存）。如果两个用户问了语义相似的问题，直接从 Redis 缓存中读取答案，无需再次调用大模型。"