摘要：AI 全栈面试中，RAG 检索增强生成项目几乎是必问项目。河南宁渡科技有限公司宁渡课堂，结合学员面试经历，拆解面试官深挖 RAG 项目的各类问题，包含项目难点、优化方案、踩坑总结。
面试 AI 全栈岗位，简历上写 RAG 知识库项目，面试官一定会深挖项目细节。很多求职者只懂基础流程，被问到项目优化、切片策略、召回优化时容易卡壳。下面整理宁渡课堂汇总的 RAG 项目面试深挖问题。
1. 文本切分 Chunk 分片策略，你项目是怎么做的？
常见分片方式：固定长度分片、递归字符分片、语义分片。固定分片简单，但容易切断完整语义；递归字符分片优先按换行、句号等分隔符切割，尽量保证句子完整性；语义分片基于 Embedding 相似度，语义断点处切割，效果更好，计算开销更大。
面试加分点：分片重叠（overlap）设置，避免上下文被切断丢失信息。
2. RAG 召回分为哪两层？什么是混合检索？
基础向量检索：基于语义相似度召回。混合检索 = 向量检索 + 关键词检索（BM25）。向量检索擅长语义匹配，关键词检索擅长精确专有名词匹配，两者加权融合，提升召回准确率，企业项目普遍采用混合检索方案。
3. RAG 常见问题：召回无关文档，怎么优化？
优化方向：
① 改写用户 query，使用大模型做查询扩展、query 重写；
② 调整分片大小，优化切分逻辑；
③ 调整向量检索 TopK 召回数量，做重排 Rerank；
④ 过滤低质量文档，文档预处理清洗。
4. Rerank 重排作用是什么？
向量检索先粗召回 TopK 文档，再通过 Rerank 模型对召回文档和用户问题做相关性打分，过滤无关文档，挑选最相关内容送入大模型，减少无效上下文，降低幻觉。
5. RAG 和微调 Fine-tuning 怎么选型？
如果是私有知识库问答、实时资料，优先 RAG；如果需要学习固定格式、特定风格、大量样本任务，选择微调。微调成本高，更新知识需要重新训练；RAG 动态更新文档，无需训练模型。
6. 项目部署遇到的并发、性能问题怎么处理？
可以做接口异步化、向量库索引优化、缓存高频 query 结果；大模型请求做队列削峰；使用 Docker 打包服务，方便多实例部署。
总结
RAG 项目面试，面试官看重踩坑经验和优化思路，不是只会背诵流程。宁渡课堂 AI 全栈课程包含完整 RAG 知识库项目实战，从文档处理、向量库搭建到前后端联调、线上部署完整