RAG 面试题介绍
RAG 现在基本上是 AI 应用里的标配了，不管你做的是智能客服、知识问答还是企业内部搜索，底下大概率都有一套 RAG 系统在跑。所以只要你面的是 AI 工程方向的岗位，RAG 几乎是必问的，而且面试官问起来特别喜欢一路往深了追，从「RAG 是什么」一直追到「你线上遇到过什么坑」，很多同学前面几个问题答得还行，越往后越接不住。
所以我结合收集到的真实面经，整理了 23 道 RAG 方向的面试题，帮大家把 RAG 从原理到工程落地这条线完整地过一遍。涵盖 RAG 原理、文档切割、Embedding 选型、向量数据库、检索优化、Query 改写、多路召回、幻觉规避、知识冲突治理，以及长上下文和自主文件检索场景下的方案选型等面试题。
每道题的写法跟 Agent 专题一样，开头先来一段「面试翻车现场」，模拟真实对话让你看看这道题答不好会怎么被怼，然后我再把知识点从根上讲透。目的不是让你背一套标准答案，而是让你真正理解了，不管面试官怎么换着花样问，你都能自己推出来。
题目目录
下面简单说一下这 23 道题大概覆盖了哪些内容，你可以挑自己不熟的先看前三道聊的是基础概念，RAG 到底是什么、完整的工作流程长什么样、它主要解决了大模型的哪些问题、跟微调比各自适合什么场景，这几道是面试开场必问的，得答出层次来，不能只说一句「RAG 就是检索增强生成」就完了。
第 4 到第 9 题聊的是索引构建，也就是 RAG 系统搭起来之前你必须搞定的那些事：文档怎么切、切多大合适、语义被切断了怎么办、Embedding 是什么怎么选、有哪些 Embedding 算法、向量数据库怎么选型怎么用。这块的问题看着简单，但面试官一深挖就会发现你有没有真正动手做过，每道题背后都有坑。
第 10 到第 16 题聊的是检索优化 ，这是最容易在面试里拉开差距的部分。大部分人能说出「用向量检索」，但再往下问 Query Rewrite 是什么、为什么要做、多路召回具体怎么设计、有哪些更高级的 RAG 范式（比如 Self-RAG、Corrective RAG）、图数据库什么场景下能派上用场，很多人就答不上来了。偏偏这些恰恰是面试官最爱深挖的地方，因为这些才是区分「用过 RAG」和「真正优化过 RAG」的分水岭。
第 17 到第 21 题聊的是 生产落地 ，幻觉怎么规避、效果怎么量化评估、知识库怎么做动态更新、RAG 落地最难的地方在哪，以及不同来源的知识发生冲突时怎么裁决。能把这些问题答好，面试官基本就认可你是真正在线上跑过 RAG 系统的，不是只停留在 demo 阶段。
第 22、23 题聊的是检索方案选型。大窗口让模型能接收更多材料，但怎样取得当前有效的证据仍然需要设计。面对全文输入、预先建立检索索引和让 Agent 主动搜索文件这几种方式，要结合任务、资料变化、权限和实际效果作出选择。