← 返回目录

第 6 卷

第 6 / 15 卷日期:

合并去重。覆盖面比单次查询大幅提升。

Q69:RAG 中如何处理表格数据? → 三种方案:① 将表格转为自然语言描述(简单但信息丢失)② 保留 Markdown表格格式切片(推荐)③表格类查询路由到Text2SQL。

Q70:如何评估 RAG 系统的质量?用什么框架? → Ragas 框架,四大核心指标:Faithfulness(忠实度)、 Answer Relevance(答案相关性)、Context Precision(上下文精确度)、Context Recall(上下文召回

率)。生产目标:F > 0.85, AR > 0.80。

Q71-Q75快速过

Q71:什么是Agentic RAG?→ Agent自主决定是否需要检索、检索什么、检索几次。比固定Pipeline更灵活简单问题直接回答,复杂问题多轮检索。

Q72:RAG vs Fine-tuning,什么时候用哪个? → RAG用于知识注入(让模型知道它训练时没见过的信息);

Fine-tuning 用于行为调整(改变模型的风格、格式、推理方式)。大多数场景 RAG 优先,Fine-tuning 是补充。

Q73:GraphRAG是什么?比普通 RAG好在哪? →用知识图谱(实体+关系)增强检索。当查询涉及实体间关系(如“张三的上级是谁”)时,普通向量检索找不到答案,但图查询可以直接遍历关系。

Q74:如何处理 RAG中的“信息冲突”? →当多个检索到的文档包含矛盾信息时:① 在 Prompt 中要求模型 “如果信息冲突,以最新的为准” ②在元数据中标注文档时间,优先取最新③对冲突部分明确告诉用户“不同

来源有不同说法”。

Q75:RAPTOR是什么?→递归抽象处理的树状检索增强生成。将文档自底向上聚类、摘要,形成树状结构。

查询时从树的不同层级检索,既能找到细节(叶子节点),也能找到总结(根节点)。

本章小结

核心考点高频关键词

分片策略语义切片、Parent-Child、Overlap、递归切割
向量检索HNSW调优、余弦相似度、Hybrid、RRF
重排序BGE-Reranker、Cross-Encoder、ColBERT、阈值
高级RAGQuery Rewriting、HyDE、Multi-Query、Agentic RAG
评估Ragas、Faithfulness、Context Recall

延伸:RAG面试高频追问

面试官最爱的追问链

问题 1:"介绍一下你们的 RAG 架构"

  • 标准答案:七阶段 Pipeline(解析→分片→向量化→检索→重排→生成→评估)

追问 2:"你们的 Chunk 策略是怎么设计的?"

  • 回答要点:递归切割 + Parent-Child + Overlap

追问 3:"为什么用 Parent-Child 而不是固定大小?"

  • 回答要点:小 Chunk 精准检索 + 大 Chunk 完整上下文 → Faithfulness +23%

完整代码见 HTML 交互版

RAG系统设计面试评分标准

维度满分标准扣分项
架构完整性提到全部7个阶段漏掉Reranker扣5分
技术深度能解释HNSW/RRF/Cross-Encoder原理只说“用向量搜索”扣3分
工程经验提到实际部署的坑(如中文Tokenizer)只谈理论扣3分
评估意识提到Ragas或类似框架不提评估扣5分
安全意识提到PII脱敏和Faithful约束不提安全扣3分

📖小白导读

本节讲的是「第四章:记忆机制、上下文管理与 Tool Call异常处理篇(Q76-Q100)」。读完你会掌握:

Q76:大模型的记忆有哪几种实现方式?各自的优缺点?

Q77:上下文窗口快用完了怎么办?

Q78:Tool Call(工具调用)的执行流程是怎样的?

Q79:Tool Call参数残缺或格式错误怎么办?

Q80:如何阻止 Agent 的工具调用死循环?

💡 代码部分已精简,完整可运行版本见HTML 交互课件。

第四章:记忆机制、上下文管理与Tool Call异常处理

篇(Q76-Q100)

Agent 的记忆和工具调用是最容易出 Bug的地方面试官最爱挖的坑

Q76:大模型的“记忆”有哪几种实现方式?各自的优缺点?

类型原理优点缺点适合
窗口记忆保留最近N条消息简单丢失早期信息短对话
摘要记忆定期用LLM压缩旧消息为摘要保留关键信息压缩消耗Token中等对话
向量记忆每条消息入向量库,按相关性召回精准回忆实现复杂长期记忆
知识图谱记忆提取实体关系存入图数据库结构化最复杂用户画像
混合记忆窗口(近期)+摘要(中期)+向量(长期)全面复杂生产首选

Q77:上下文窗口快用完了怎么办?

三级降级策略:

Token 使用率 < 60%→ 正常运行

Token 使用率 60-80% → 触发摘要压缩(压缩旧消息)

Token 使用率 > 80%→ 紧急裁剪(只保留 System Prompt + 最近 5 条 + 摘要)

Token 使用率 > 95%→ 强制截断(丢弃最旧的消息,保证不超限)

全站分卷索引 · 15 卷
  1. 1第 1 卷
  2. 2第 2 卷
  3. 3第 3 卷
  4. 4第 4 卷
  5. 5第 5 卷
  6. 6第 6 卷
  7. 7第 7 卷
  8. 8第 8 卷
  9. 9第 9 卷
  10. 10第 10 卷
  11. 11第 11 卷
  12. 12第 12 卷
  13. 13第 13 卷
  14. 14第 14 卷
  15. 15第 15 卷