本文目录
RAG 是大模型应用开发岗面试必考的第一主题：简历上写了 RAG 项目，面试官会从分块、检索、重排一路追问到评估。这一页把本站全部 RAG 资产按知识体系组织好——先用 11 章实战教程把系统做出来，再按模块刷真题，每道题都有书面答案和口语版讲法。
页面加载中…
系统教程 · 大模型知识专题
RAG（检索增强生成）面试准备枢纽：覆盖文档分块、向量检索、混合检索、重排与知识图谱题目，并配套公开教程和口语版讲法。
RAG 是大模型应用开发岗面试必考的第一主题：简历上写了 RAG 项目，面试官会从分块、检索、重排一路追问到评估。这一页把本站全部 RAG 资产按知识体系组织好——先用 11 章实战教程把系统做出来，再按模块刷真题，每道题都有书面答案和口语版讲法。
学习内容与项目面试，在同一条路上。
围绕你简历上的 RAG 项目逐层追问：为什么这样分块、召回率怎么测、混合检索和重排为什么要加、幻觉怎么归因。背概念挡不住追问，最好把一个完整 RAG 系统亲手做一遍。
用处有限。面试官继续追问时会检查实现、实验与职责。建议先按自己的基础完成公开教程和一个可运行版本，再回来按模块刷题查漏，每道题用口语版练「讲出来」。
没有万能值：先按文档结构（标题 / 段落）切，再用 QA 评估集量化不同 chunk 大小的召回率，用数据说话。这是高频追问，教程第 3 章带你完整重现一次选型实验。
值得。知识频繁更新、需要引用溯源、成本受限的场景仍以 RAG 为主流方案；面试考察重点已从「是什么」转向「怎么做好检索质量与评估」，门槛在变高而不是消失。
01
清洗资料、解析结构并切块
02
生成 Embedding 并建立索引
03
结合关键词与向量寻找候选
04
筛选用于回答的上下文
05
基于检索证据组织回答
06
定位检索与生成问题，验证改进
评估发现的问题回到文档、召回、重排或生成环节；各阶段分别验证，避免只看最终回答。
以「RAG 核心架构与工作流程」为例，检查自己能否从不同提问入口讲清同一知识点。
大模型直接回答容易产生幻觉，这个你怎么看？
如果给它外挂一个知识库呢，具体怎么结合？
那检索回来的信息怎么跟问题拼在一起，流程上每一步怎么做？