AI Agent 面试全攻略：RAG技术完整指南，分块、向量库、重排序与24+高频面试题-二趣网

AI Agent 面试全攻略：RAG技术完整指南，分块、向量库、重排序与24+高频面试题

【免费下载链接】ai-agent-interview-guideAI Agent 面试全攻略：从零到Offer，包含200+面试题、企业级项目(Python/Java/Go)、简历模板、STAR面试稿、哆啦A梦漫画图解项目地址: https://gitcode.com/gh_mirrors/ai/ai-agent-interview-guide

准备AI Agent 面试时，RAG（检索增强生成）是技术面出场率最高的考点。本文面向新手，用大白话讲透 RAG 技术全链路：文档分块策略、向量数据库选型、混合检索与重排序，并整理 24+ 道高频 RAG 面试题速查，帮你从"背八股"升级到"能讲清设计"。

📌 为什么 RAG 是 AI Agent 面试必考核心？

大模型有两个天然短板：知识有截止日期（新知识不知道）、会编造（幻觉）。RAG 的思路很简单——先查资料、再回答：把企业文档切成小块建好索引，用户提问时先检索出最相关的几段，塞进 Prompt 让大模型"照着资料答"。

方案	知识更新	成本	适合场景
RAG	更新索引即可，快	低	事实问答、客服知识库
微调	需重新训练，慢	高	改输出风格、格式、口吻
长上下文	仍需塞入上下文	高、延迟高	单篇超长文档全局推理

💡 面试高频对比题："什么时候优先微调而不是 RAG？"答：目标是行为与格式（输出 JSON、领域口吻），且训练数据稳定可标注时；事实类问题永远优先 RAG。

🔍 RAG 完整流程：从离线建库到在线问答

整个 RAG 系统分两条线：

离线流水线：原始文件（PDF/Word/Markdown）→ 解析清洗 →分块（Chunking）→ Embedding 向量化 → 写入向量库（可再加 BM25 倒排索引）
在线问答：用户提问 →（可选）查询改写 → 检索 Top-K →（可选）重排序→ 拼进 Prompt → 大模型生成带引用的答案

项目里的漫画图解把这两步画得非常直白——哆啦A梦在图书馆里"检索→增强→生成"：

一句话口述版（面试直接背）： "离线负责把非结构化知识变成可检索索引；在线负责理解意图、检索、融合、约束生成，并控制延迟成本。"

✂️ 文档分块：决定检索质量的第一道关

分块（Chunking）就是把长文档切成"一块块能被检索、又不缺上下文"的文本。主流策略：

策略	一句话理解	注意点
固定长度	每 512 token 一刀切	简单，但容易把句子切半
递归字符分割	优先在段落→句子→空格边界断开	生产默认基线，推荐
语义分块	相似度骤降处切，贴着话题边界	效果好但计算贵
按结构分块	按 Markdown 标题/HTML 小节切	块内主题一致，适合文档类
父子块	小块用于检索、大块用于喂给 LLM	兼顾精度与上下文完整性

两个黄金参数（面试官最爱追问）：

chunk_size：覆盖一个"完整命题"（一条规定、一个步骤），太小缺主语、太大混噪声
chunk_overlap：一般为 size 的10%–20%，防止关键句被切在两块边界

项目中的分块实现支持固定/递归/段落三种策略，默认 512 token + 64 重叠：chunker.py，解析与整条 ETL 流水线见 parser.py 和 pipeline.py。

❓高频题：分块太大或太小分别会怎样？太小 → 语义不完整，片段缺主语或条件；太大 → 混入无关内容、embedding 语义变模糊、费用上升。答完补一句"我们用评估集扫网格调参"会更加分。

📦 向量数据库选型：FAISS、Milvus、Qdrant 怎么挑？

向量数据库解决的核心问题是：上百万条高维向量，怎么毫秒级找出"最像的 Top-K"？答案是ANN（近似最近邻）算法——用一点点精度换数量级速度。

产品	特点	适用场景
FAISS	Meta 出品的算法库，非完整数据库	原型、离线实验
Milvus	云原生、分布式、可扩展百亿级	大规模生产（本项目采用）
Chroma	轻量、易上手	小项目、Demo
Qdrant	Rust 实现、元数据过滤强	自托管 + 复杂过滤

三个必会的 ANN 算法名词：

HNSW：图索引，延迟低、召回高，但吃内存（调大efSearch= 召回升、延迟升）
IVF：先聚类分桶再搜部分桶，适合数据量大、内存紧
PQ：向量压缩省内存，精度略降，常与 IVF 组合

一句话区别题（出现率极高）：

❓FAISS 和 Milvus 本质区别？FAISS 是ANN 算法库，存储、服务、容灾要自己搭；Milvus 是向量数据库系统，带分布式存储和运维能力。

项目里 Milvus 封装在 milvus_client.py，Java 版对应 MilvusService.java。

🎯 混合检索与重排序：效果提升的两个大杀器

单路向量检索的短板：专有名词、产品型号、工单编号等"精确词"经常漏检。业界标配组合拳：

混合检索：向量（抓语义）+ BM25（抓字面）两路召回，用RRF（倒数排名融合）合并——只比排名不比分数，天然规避两路分数尺度不一致的问题，经典参数k=60
Cross-Encoder 重排序：向量检索是"独立编码"求快，Cross-Encoder 把 query 和文档拼一起深度交互打分，精度更高但慢，所以放在召回 Top-K（几十到几百条）之后，精排出 Top 3–10
MMR 去冗余：防止 Top-K 里塞满几乎重复的段落，lambda越大越偏相关、越小越偏多样

项目实现路径（Python 版）：

多路检索 + RRF 融合：retriever.py
Cross-Encoder 重排：reranker.py
带引用标注的答案生成：generator.py

Go 版同模块见 internal/rag/（retriever.go / reranker.go / generator.go）。

❓高频题：Cross-Encoder 为什么不能直接替代向量索引？因为它必须对每个文档与 query 跑一次模型，复杂度扛不住百万级全库实时扫描，只能做小规模精排。

🚀 RAG 进阶四件套：答出"深度感"的加分项

面试官问"还了解哪些 RAG 变体"时，记住这四个名字：

变体	一句话解释
GraphRAG	抽实体关系建知识图谱，擅长多跳关系和全局总结类问题，成本高
Agentic RAG	由 Agent 动态决定"何时检索、检索什么、要不要再查"，多步循环
Self-RAG	模型生成中插入反思 token，自我检查"证据够不够、要不要再查"
Corrective RAG	检索质量不达标时自动改写查询/换数据源纠偏

❓加分追问：长上下文模型出来后 RAG 会消失吗？不会。私域数据规模与成本、检索聚焦证据、合规审计、增量更新，这些需求长上下文替代不了。

❓ 24+ 高频 RAG 面试题速查（含标准答案要点）

完整题库（含追问应对）在 03-RAG技术.md，这里列出最高频的 24 道速查：

#	面试题	答案要点
1	简述 RAG 两步流水线	离线：解析→分块→嵌入→建索引；在线：检索→重排→拼 Prompt→生成
2	RAG 和微调如何配合	微调管格式与表达，RAG 管可更新事实，事实类优先 RAG
3	为什么需要 chunk_overlap	防关键句被切断在边界，代价是存储略增
4	递归分块的分隔符顺序为何重要	优先在更大语义单元（段落）断开，减少碎片化
5	语义分块一定更好吗	不一定，成本高、阈值敏感，用数据 A/B 测试
6	父子文档怎么存	子块带`parent_id`，命中子块→映射父块文本再生成
7	Embedding 要归一化吗	用余弦/内积时建议归一化，相似度更稳定
8	IndexFlatIP 与 HNSW 区别	Flat 精确但慢；HNSW 近似快，适合大规模
9	混合检索权重怎么定	验证集网格搜索，或用 RRF 免调权
10	RRF 为什么鲁棒	只用排名融合，规避分数尺度问题
11	HyDE 风险如何缓解	重排 + 引用约束 + 拒答 + 多路对比
12	BM25 中文要分词吗	要，常需分词或 n-gram，否则粒度不当
13	Cross-Encoder 为何不能全库扫	复杂度太高，只能对 Top-K 小范围精排
14	MMR 的 lambda 含义	调"相关性 vs 多样性"，越大越偏相关
15	GraphRAG 解决什么痛点	多跳关系与全局聚合类问题
16	Agentic RAG 与一次检索差异	多步工具决策 + 再检索，更灵活但成本高
17	Self-RAG 核心思想	生成中自评"要不要检索、证据是否充分"
18	Corrective RAG 触发条件	检索置信度低或证据矛盾时改查/换源
19	RAGAS 评估的局限	依赖裁判模型，有偏好与盲区，需人工抽检
20	低成本在线评估怎么做	采样 + 用户点赞/纠错 + 点击引用等弱监督
21	索引频繁更新如何保一致	版本号 + 双写切换 + 灰度重建，读写分离
22	如何防 Prompt 注入污染 RAG	文档清洗、权限隔离、引用限制、异常指令检测
23	HNSW 和 IVF 怎么取舍	中等规模要低延迟选 HNSW；超大且内存紧张选 IVF(+PQ)
24	只看答案对错够吗	不够，要分评检索质量与忠实度，定位瓶颈在哪

项目面试时，还可以结合面试问答集里的 100+ 道项目题，以及 STAR 面试稿练习话术：

📚 学习路径与动手项目

建议按"看原理 → 跑项目 → 练话术"三步走：

吃透八股：RAG 技术模块（每个主题都有概念、原理、面试问答、追问应对）
跑通企业级项目（三选一）：
- Python 版：FastAPI + Milvus + Redis，推荐首选
- Java 版：Spring Boot 3 + Spring AI
- Go 版：Gin + 自研框架
简历与话术：简历模板 + STAR 面试稿 + 学习路线图

💡最后的高分技巧：简历里准备一条可量化指标（如"Top-5 召回率提升 X%""P99 延迟下降 X%"）和一次失败案例分析（到底是检索错了还是生成胡编），比背 24 道题更有说服力。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析