← 返回首页 ❓ 面试题库
📑 本篇章节导航 (共9章,点击直达)
一、向量检索基础二、HNSW算法深入三、RAG高级优化四、RAG工程化五、RAG高级场景六、向量检索高级七、RAG面试实战八、前沿方向九、RAG面试速查

RAG高级优化与向量检索算法

共50道题 | 难度分布:★★★★★平均 | 20K+ AI应用岗位RAG深入必考

一、向量检索基础

Q1. 什么是向量检索(Vector Search)?与关键词检索有什么区别?

难度:★★★★☆

答案要点:

Q2. Embedding模型的工作原理?如何选择?

难度:★★★★☆

答案要点:

Q3. 向量相似度计算方法有哪些?

难度:★★★★☆

答案要点:

Q4. 什么是量化(Quantization)?为什么向量检索需要它?

难度:★★★★☆

答案要点:

Q5. 向量数据库有哪些?如何选型?

难度:★★★★☆

答案要点:


二、HNSW算法深入

Q6. HNSW(Hierarchical Navigable Small World)算法原理?

难度:★★★★★

答案要点:

Q7. HNSW的ef参数如何影响查询性能和精度?

难度:★★★★☆

答案要点:

Q8. HNSW vs IVF vs暴力检索的对比?

难度:★★★★★

答案要点:

维度暴力检索IVFHNSW
查询复杂度O(n)O(n/probe)O(log n)
构建复杂度O(1)O(n)O(n log n)
召回率100%90-99%95-99.5%
内存占用最低中等最高(图的连接)
增量添加即时需要重训即时
适合数据量<10万100万-10亿<1亿

Q9. IVF(Inverted File Index)的工作原理?

难度:★★★★★

答案要点:

Q10. 乘积量化(PQ)的详细原理?

难度:★★★★★

答案要点:


三、RAG高级优化

Q11. Chunking(文本切片)策略有哪些?如何选择?

难度:★★★★★

答案要点:

Q12. 混合检索(Hybrid Search)的原理和实现?

难度:★★★★★

答案要点:

Q13. Rerank(重排序)的原理和使用?

难度:★★★★★

答案要点:

Q14. Query改写(Query Rewriting)有哪些方法?

难度:★★★★☆

答案要点:


List<String> rewrites = chatClient.prompt()
    .user("将以下问题改写为3个不同角度的搜索查询:" + query)
    .call().entity(new ParameterizedTypeReference<>(){});

Q15. 如何评估RAG系统的质量?

难度:★★★★★

答案要点:


四、RAG工程化

Q16. 如何设计一个高可用的RAG系统架构?

难度:★★★★★

答案要点:

Q17. RAG系统的延迟优化策略?

难度:★★★★★

答案要点:

Q18. 如何处理RAG系统的幻觉(Hallucination)?

难度:★★★★★

答案要点:

Q19. RAG vs Fine-tuning如何选择?

难度:★★★★★

答案要点:

Q20. 如何实现RAG的增量更新?

难度:★★★★☆

答案要点:


五、RAG高级场景

Q21. 如何实现多模态RAG(图文混合检索)?

难度:★★★★☆

答案要点:

Q22. 如何实现结构化数据的RAG(Text-to-SQL)?

难度:★★★★☆

答案要点:

Q23. 如何实现对话式RAG(带历史上下文的检索)?

难度:★★★★☆

答案要点:

Q24. 如何处理长文档的RAG?

难度:★★★★☆

答案要点:

Q25. 如何实现RAG的知识库管理后台?

难度:★★★★☆

答案要点:


六、向量检索高级

Q26. 向量索引的构建和更新策略?

难度:★★★★☆

答案要点:

Q27. 如何选择向量维度?

难度:★★★★☆

答案要点:

Q28. 向量检索的过滤(Filter)如何实现?

难度:★★★★☆

答案要点:

Q29. 什么是SPLADE(稀疏向量检索)?

难度:★★★★☆

答案要点:

Q30. 向量检索的ANN(Approximate Nearest Neighbor)精度评估?

难度:★★★★☆

答案要点:


七、RAG面试实战

Q31. 如何回答"你们RAG系统的检索策略怎么设计的"?

难度:★★★★★

答案要点:

Q32. RAG系统的Token成本如何控制?

难度:★★★★☆

答案要点:

Q33. 如何实现RAG的A/B测试?

难度:★★★★☆

答案要点:

Q34. 如何设计RAG的监控告警体系?

难度:★★★★☆

答案要点:

Q35. RAG系统的常见反模式(Anti-Pattern)?

难度:★★★★☆

答案要点:


八、前沿方向

Q36. GraphRAG(图检索增强)是什么?

难度:★★★★☆

答案要点:

Q37. Agentic RAG是什么?与传统RAG的区别?

难度:★★★★☆

答案要点:

Q38. ColBERT(延迟交互模型)的原理?

难度:★★★★☆

答案要点:

Q39. RAG 2.0(端到端训练)是什么?

难度:★★★☆☆

答案要点:

Q40. 如何在Spring AI中实现完整的RAG管道?

难度:★★★★★

答案要点:


@Bean
CommandLineRunner ragPipeline(VectorStore vectorStore, ChatClient chatClient) {
    return args -> {
        // 1. 文档切片
        var splitter = new TokenTextSplitter(512, 128, 5, true);
        var chunks = splitter.apply(documents);
        
        // 2. Embedding + 存储
        vectorStore.add(chunks);
        
        // 3. 检索增强生成
        String response = chatClient.prompt()
            .user(query)
            .advisors(new QuestionAnswerAdvisor(vectorStore, 
                SearchRequest.builder().query(query).topK(5).build()))
            .call().content();
    };
}

九、RAG面试速查

Q41. RAG面试必背10题?

难度:★★★★★

答案要点:

1. RAG是什么?为什么需要RAG?

2. 向量检索与BM25的区别?为什么要混合检索?

3. HNSW/IVF/PQ的核心原理?

4. Chunking策略有哪些?如何选择?

5. Rerank是什么?Cross-Encoder vs Bi-Encoder?

6. 如何评估RAG系统质量?

7. 如何处理幻觉?

8. RAG vs Fine-tuning如何选择?

9. Query改写有哪些方法?

10. 向量数据库如何选型?

Q42. RAG面试进阶10题?

难度:★★★★★

答案要点:

1. HNSW的M和ef参数如何调优?

2. 如何实现多模态RAG?

3. GraphRAG与传统RAG的区别?

4. Agentic RAG的工作原理?

5. 如何控制RAG的Token成本?

6. 如何实现RAG的A/B测试?

7. 长文档RAG如何处理?

8. 对话式RAG如何维护上下文?

9. 向量检索的过滤如何实现?

10. SPLADE稀疏向量检索原理?

Q43. RAG面试场景题?

难度:★★★★★

答案要点:

Q44. RAG相关的开源工具和框架?

难度:★★★★☆

答案要点:

Q45. RAG系统的数据安全如何保障?

难度:★★★★☆

答案要点:

Q46. 如何实现RAG的个性化检索?

难度:★★★★☆

答案要点:

Q47. RAG系统如何支持多语言?

难度:★★★★☆

答案要点:

Q48. 如何实现RAG的知识库迁移?

难度:★★★★☆

答案要点:

Q49. RAG在大模型面试中的比重?

难度:★★★☆☆

答案要点:

Q50. 2026年RAG的发展趋势?

难度:★★★★☆

答案要点: