面试题 · 评估
请阐述您对RAG（检索增强生成）技术的理解，并说明在您的大模型项目中，RAG技术解决了哪些具体问题以及带来的效果提升。
题目同时问技术理解和“你的项目效果”。前者可以解释通用方法；后者必须填写本人真实项目，不能把下面的候选场景、方案或指标改写成第一人称经历。RAG 可以为回答提供外部证据，但不能自动保证事实正确、实时更新或权限安全。
RAG 在生成前检索外部资料，并把候选证据连同问题交给生成模型。知识更新速度取决于采集、审核、索引和缓存失效链路，并不等于数据一变答案就实时更新。知识源也不局限于向量库，可以包含关键词索引、结构化数据库或经过授权的工具查询。
| 真实问题 | 可验证的候选做法 | 需要怎样证明有效 |
|---|---|---|
| 模型参数中没有最新或私有资料 | 建立带版本与权限的索引；回答附引用，证据不足时拒答 | 测更新时间、过期答案率、引用支持率与权限越界用例 |
| 精确编号与语义问法都存在 | 分别评估稀疏、稠密、融合和查询改写，不预设混合检索必胜 |
按学习路线查看教程、项目和面试题。
| 在同一标注集比较 Recall@K、MRR/nDCG、延迟和成本 |
| 召回片段相关但不足以回答 | 检查证据充分性、冲突、上下文预算和生成约束 | 逐主张核验支持证据，并单独统计不可回答与冲突样本 |
可以按下面顺序填写：
事实填空示例：项目服务【真实场景】，语料来自【合法来源】，本人负责【真实范围】。基线在【样本与配置】下出现【失败】。我尝试【方案】并保留【代码/日志/评测记录】，结果【真实指标】；代价是【】，仍未解决【】。
场景切入
假设你在做电商客服助手，用户问的很多问题都需要最新库存和实时价格，但模型训练数据是几个月前的。你怎么保证它不瞎编、能给出准确答案？
层层追问
你们做的大模型项目，有没有遇到模型信口开河的情况？……那你们怎么让模型能引用最新的文档或数据库来回答？……具体怎么把检索和生成结合起来呢？
直球架构
请阐述你对RAG技术的理解，包括离线阶段和在线阶段的流程，以及在你的RAG项目中解决了哪些具体问题，带来了哪些可量化的效果提升？
我会先把通用理解和个人经历分开。RAG 是在生成前从外部知识源取得候选证据，再让模型基于这些证据回答。它适合处理模型参数中缺失、经常变化或需要引用的资料，但接入 RAG 不等于答案自动正确，也不等于知识实时更新。采集、审核、索引、权限和缓存中的任一环节没更新，仍可能返回旧答案。
讲自己的项目时，我只会填写实际发生的范围。项目服务【真实用户和场景】，资料来自【合法来源】，本人负责【具体职责】。基线在【固定语料版本、样本和配置】下出现【真实失败样本】。我先判断问题在解析、查询、召回、排序、上下文还是生成，再尝试【本人实际实现的方案】。如果只做了向量检索，就不会为了显得完整再补 BM25、Cross-Encoder 或 Self-RAG。
结果要分层说明。检索层报告【Recall@K、MRR 或 nDCG 的真实结果】，答案层报告【逐主张证据支持、任务正确性或拒答表现】，系统层报告【P95/P99、吞吐与成本】，权限和隐私则作为独立门槛检查。每个数字都要带样本来源、标注规则、运行配置和日志位置；没有测过就说待验证。
最后我会主动说明代价和边界。例如【方案】改善了【真实指标】，但增加【延迟、成本或维护复杂度】，在【失败切片】上仍然无效，回退方案是【】。这样的回答能让面试官区分通用知识、本人贡献和仍待验证的部分。