RAG 深入面试题（R01–R20）
20 道检索、索引、重排、GraphRAG 与评测题。
按数据、召回、重排、生成和评测分层回答。
建议先口答 60～90 秒，再展开【追问问题】。不要背句子，要说清判断依据和取舍。
R01｜Dense、Sparse、Hybrid Retrieval 有何区别？
简明答案： Dense 用向量捕捉语义，Sparse/BM25 用词项匹配精确实体，Hybrid 融合二者。混合通常更稳，但融合权重和过滤必须在真实查询集上调。
【追问问题】
- RRF 如何融合排名？
- 何时 Sparse 更强？
关联知识： 混合检索与 RRF
R02｜Bi-Encoder 与 Cross-Encoder 有何区别？
简明答案： Bi-Encoder 分别编码 Query 和文档，适合大规模召回；Cross-Encoder 联合编码成对文本，精度高但计算贵，通常用于 Top-K 重排。
【追问问题】
- 为何 Cross-Encoder 不能直接全库搜索？
- 训练难负样本怎么选？
关联知识： Reranker 原理与实践
R03｜Chunk Size 和 Overlap 如何选？
简明答案： 在语义完整、检索粒度、上下文成本间权衡。先按结构切，再用代表性问题评测；Overlap 可保护边界，但过大会重复召回和浪费 Token。
【追问问题】
- 代码和表格怎样切？
- 父子 Chunk 有何价值？
关联知识： 文档切分策略
R04｜Parent-Child Retrieval 是什么？
简明答案： 用较小子块做精确召回，命中后返回更完整父块给模型，在召回精度和上下文完整性间折中。父子映射和去重是关键。
【追问问题】
- 父块多大合适？
- 如何避免多个子块返回同一父块？
关联知识： 文档切分策略
R05｜Semantic Chunking 有何优缺点？
简明答案： 根据语义变化或模型判断边界，比固定长度更自然；但预处理成本高、结果不稳定，且未必提高特定查询的召回。必须和简单基线比较。
【追问问题】
- 如何定义语义断点？
- 哪些文档不适合？
关联知识： 文档切分策略
R06｜ANN 索引为什么必要？
简明答案： 精确比较所有向量在大规模下成本高，ANN 用近似结构减少候选，交换少量召回损失来提高速度。HNSW、IVF 等有不同的内存、构建和查询取舍。
【追问问题】
- HNSW 的 efSearch 影响什么？
- 索引参数如何评测？
关联知识： ANN 与向量索引
R07｜HNSW 的基本思路是什么？
简明答案： 构建分层近邻图，上层快速跳转、下层局部搜索。通常召回高且查询快，但内存占用和构建成本较高，删除更新策略依赖实现。
【追问问题】
- M 和 efConstruction 怎么影响？
- 为何过滤会影响 HNSW？
关联知识： ANN 与向量索引
R08｜FAISS、Chroma、pgvector、Milvus 怎么选？
简明答案： 本地算法实验可用 FAISS，轻量原型可用 Chroma，已有 Postgres 且规模适中可用 pgvector，大规模独立向量服务可评估 Milvus。最终看数据量、过滤、更新、HA、团队运维和实测。
【追问问题】
- FAISS 为什么不等同完整数据库？
- 何时普通全文检索足够？
关联知识： 向量数据库选型
R09｜Embedding 模型如何选？
简明答案： 按语言、领域、维度、长度、速度、许可和目标检索任务评测。公开榜单仅作候选，最终使用自己的 Query-Document 标注集和端到端指标。
【追问问题】
- 维度越高越好吗？
- 是否需要领域微调？
关联知识： Embedding 选型与评测
R10｜为什么入库和查询必须使用兼容 Embedding？
简明答案： 不同模型产生的向量空间坐标与尺度无可比性，混用时相似度失去意义。更换模型需要重建索引或维护独立版本，并确保查询路由正确。
【追问问题】
- 同模型不同版本怎么办？
- 迁移期间如何双读？
关联知识： Embedding 选型与评测
R11｜Rerank 应放在哪里？
简明答案： 先由快速检索召回较大候选，再对过滤后的候选重排，最后选择能放入上下文的少量证据。过早重排成本高，过晚则浪费在无权限或重复内容上。
【追问问题】
- Top-K 和 Top-N 如何定？
- 如何评测重排增益？
关联知识： Reranker 原理与实践
R12｜什么是 Multi-Query Retrieval？
简明答案： 为同一意图生成多个不同表述，分别召回后融合，以提高对措辞差异的覆盖。代价是检索次数和噪声增加，必须去重并限制改写不丢约束。
【追问问题】
- 它与 Query Expansion 有何区别？
- 如何融合结果？
关联知识： 查询改写与路由
R13｜HyDE 的思路是什么？
简明答案： 先生成一个假想答案或文档，再对它做 Embedding 去寻找真实文档，适合查询与文档表达差异大时。假想内容若偏离会带偏召回，因此应与原查询融合。
【追问问题】
- 何时不适合 HyDE？
- 如何评测是否带偏？
关联知识： 查询改写与路由
R14｜什么是 Agentic RAG？
简明答案： 由 Agent 动态判断是否检索、检索哪个源、如何改写、是否多跳及何时停止，而非固定一次 Top-K。它更灵活，也增加循环、成本和安全风险。
【追问问题】
- 何时普通 RAG 足够？
- 如何限制检索预算？
关联知识： Agentic RAG
R15｜Self-RAG、CRAG、Adaptive RAG 有何区别？
简明答案： Self-RAG 通过反思信号决定检索与评判生成；CRAG 评估召回质量并触发纠正或外部搜索；Adaptive RAG 泛指按问题难度或质量动态选择流程。名字相近，机制与训练要求不同。
【追问问题】
- 它们能直接互换吗？
- 哪个更易工程落地？
关联知识： 高级 RAG 变体
R16｜GraphRAG 适合什么问题？
简明答案： 适合跨文档实体关系、全局主题和多跳关联。它通过实体关系图、社区与摘要补充向量检索；索引成本、抽取误差和增量更新更复杂。
【追问问题】
- Local Search 与 Global Search 有何区别？
- 什么时候不用 GraphRAG？
关联知识： GraphRAG 与知识图谱
R17｜多模态 RAG 的难点是什么？
简明答案： 要解析文本、图片、表格、音视频并保留页码、区域或时间锚点；还要选择跨模态 Embedding、重排和引用方式。仅做 OCR 会丢布局与视觉关系。
【追问问题】
- 表格问答如何处理？
- 图片引用怎样定位？
关联知识： 多模态 RAG
R18｜如何做 RAG 权限过滤？
简明答案： 把 tenant、用户、角色、文档 ACL 等作为检索层强制过滤条件，在重排和缓存中继续保留。不能先召回越权内容再要求模型忽略。
【追问问题】
- 共享索引安全吗？
- 权限变化如何更新缓存？
关联知识： RAG 权限与多租户
R19｜Recall@K、MRR、nDCG 分别看什么？
简明答案： Recall@K 看相关结果是否进入前 K；MRR 强调第一个相关结果排名；nDCG 考虑多条结果的分级相关性与位置。选择取决于一个还是多个证据能回答。
【追问问题】
- Precision@K 何时重要？
- 指标高为何答案仍差？
关联知识： RAG 评测指标
R20｜Faithfulness 与 Answer Relevance 有何区别？
简明答案： Faithfulness 看回答是否由证据支持，Answer Relevance 看是否回答用户问题。回答可能相关但无证据，也可能忠于证据却答非所问，应分开评分。
【追问问题】
- 如何做自动评分？
- 引用正确率又是什么？
关联知识： RAG 评测指标