RAG · ALL
RAG 检索增强 · 全部题目
共 591 篇，本页第 241-288 篇。← 回到学习路径视图
No.2095| 77 | If all the relevant chunks are at the very bottom, how would this affect MRR, MAP, and NDCG metrics面试官想看你是否真正理解排序指标（MRR、MAP、NDCG）的数学定义和工程含义，而不是只会背公式。刁钻点在于：当相关文…→No.2096| 80 | How would the value of NDCG@k change if all relevant chunks are retrieved but in the reverse order (least to most relevant)面试官真正想考察的是你对 NDCG@k 数学定义与排序敏感性的深度理解，而非简单背诵公式。这道题是典型的“工程取舍 + …→No.2097| 81 | What is the significance of Context Precision@K in evaluating a RAG retriever, and how does it differ from standard Precision@k in traditional information retrieval面试官想考察你是否真正理解 RAG 评估的核心矛盾：检索不是终点，生成才是。标准 Precision@K 只看“文档与查…→No.2098| 82 | Why does Context Precision@K use a weighted sum approach with relevance indicators, and how does this better reflect RAG retriever performance面试官想考察你对 RAG 评估指标的设计哲学理解，而非简单背诵公式。这是一个“工程取舍 + 系统设计”类问题，刁钻点在于…→No.2099| 88 | In a RAG pipeline, how might context recall impact the completeness of generated answers面试官想看你是否真正理解 RAG 中“检索”与“生成”的因果链，而非只背概念。这道题是典型的系统设计 + 工程取舍型问题…→No.21RAG vs 微调 vs 长上下文：知识方案怎么选RAG 管「知道什么」、微调管「怎么说怎么做」、长上下文管单文档直塞。这篇给三方案边界对比表与「先问知识还是行为、再问变…→No.2100| 90 | In what situations would you prioritize Context Precision over Context Recall in a RAG retriever, and how would this impact the generator’s performance面试官想看你是否真正理解 RAG 系统中 Precision 与 Recall 的工程取舍，而非仅背诵概念。考察类型是系…→No.2101| 93 | Why is it important for RAG systems to optimize both context precision and context recall simultaneously面试官想看你是否真正理解RAG系统的核心矛盾：检索质量不是单一指标能衡量的。这题不是背概念，而是考察工程取舍与系统设计。…→No.2102| 95 | Describe a scenario where a RAG retriever achieves high Context Relevancy but low Context Precision. What does this imply about the retriever’s performance这道题考察的是 RAG 评估体系中两个核心指标——Context Relevancy（上下文相关性）和 Context …→No.2103| 97 | How does the Faithfulness metric assess the quality of a RAG generator面试官想考察你是否真正理解 RAG 评估中“忠实性”的独特价值，而不仅仅是背诵概念。这是一道工程取舍 + 系统设计题，刁…→No.2104| 99 | A RAG system has high context precision but low faithfulness. How would you address this这道题考察的是系统诊断与解耦能力。面试官真正想看的是：你是否能区分“检索质量高”和“生成忠实度低”这两个看似矛盾的现象，…→No.2105| Q97 | When should you use fine-tuning vs RAG面试官想看你是否真正理解微调（Fine-tuning）和 RAG（检索增强生成）的本质差异，而非只会背定义。考察类型是工…→No.2106| Q98 | What are the limitations of using RAG over fine-tuning面试官想看你是否真正理解RAG和微调是互补而非替代关系，考察点在于：你能否跳出“RAG是万灵药”的流行叙事，从系统设计角…→No.2107| Q99 | What are the limitations of fine-tuning compared to RAG面试官想考察你是否真正理解两种技术路线的本质差异，而非死记硬背“RAG好、微调差”。刁钻点在于：微调不是“不能做知识更新…→No.2108❓ 向量检索 vs 关键词检索面试官想考察你对 RAG 检索策略的底层理解深度，而非简单背诵定义。这是典型的“工程取舍 + 系统设计”题，刁钻点在于：…→No.2109一、RAG原理：检索+生成如何协同工作面试官想看的不是“RAG就是检索+生成”这种教科书定义，而是你对两个模块如何动态耦合、互相制约的工程理解。考察类型是系统…→No.2112与直接对 LLM 进行微调相比，RAG 主要解决了什么问题？有哪些优势？**面试官想看你是否真正理解 RAG 和微调的本质差异，而非简单背诵优缺点列表。考察类型是工程取舍，刁钻点在于：很多人只会说…→No.2113为什么 RAG 会越用越慢？如何反向调优面试官考察你对RAG系统从原型到生产环境的性能退化理解深度，而非简单背诵流程。核心刁钻点在于：RAG不是静态系统，而是随…→No.2114为什么 k=60面试官真正想考察的不是你是否背下了“k=60”这个数字，而是你对RRF（Reciprocal Rank Fusion）公…→No.2115为什么要结合传统的信息检索系统来增强 LLM ？换句话说，基于检索增强的 LLM 主要解决的问题是什么？这部分内容参考自普林斯顿大学陈丹琦小组之前在 ACL 2023 大会上关于基于检索的语言模型的分享 ACL 2023 Tutorial: Retrieval-based Language Models and Applications面试官想确认你是否真正理解RAG（Retrieval-Augmented Generation）的底层动机，而非只会调A…→No.2116为何在获取输入词向量之后需要对矩阵乘以embedding size的开方？意义是什么？**面试官真正想看的是你对 Transformer 初始化细节的底层理解，而非简单背诵“乘以 sqrt(d_model)”。…→No.2117了解哪些更复杂的 RAG 范式面试官想考察你对 RAG 前沿范式的广度与深度，而非仅仅背诵“检索+生成”的流水线。刁钻点在于：能否清晰区分不同范式的核…→No.2118了解搜索系统吗？和RAG有什么区别面试官想看你是否真正理解“检索”和“生成”两种范式的本质差异，而非停留在“RAG = 搜索 + LLM”的表面认知。这是…→No.2119二、RAG的优势：为什么不直接微调模型面试官想考察你对 RAG 和微调本质差异的工程判断力，而非单纯背诵定义。刁钻点在于：多数候选人只会说“RAG 更新知识快…→No.2120人工智能RAG，有多少人工就有多少智能面试官想看你是否真正理解 RAG 的“工程诅咒”——表面是端到端智能，实则每个环节都依赖大量人工干预。这不是考你背概念，…→No.2121什么是Agentic Rag？和普通的Rag有什么不同面试官想看你是否理解RAG从“工具”到“智能体”的演进本质，而非单纯背概念。这是一道系统设计+工程取舍题，刁钻点在于：很…→No.2123什么是向量数据库？有没有做过向量数据库的对比选型面试官想看的不是“向量数据库能存向量”这种教科书定义，而是你能否在真实工程场景中，基于数据规模、延迟要求、成本预算和运维…→No.2124从检索到生成的范式转变（From Retrieval to Generation）具体指什么？有哪些潜在方向面试官想看你是否理解信息检索与文本生成从“串联”到“融合”的演进脉络，而非简单背诵RAG流程。刁钻点在于：能否区分“检索…→No.2126你介绍一下RAG 是什么？最难的地方是哪面试官想确认你不仅会背RAG的定义，更理解其全流程的工程问题。这是一道“系统设计+工程取舍”题，刁钻点在于：多数人只答“…→No.2127你们 Embedding 用的什么模型面试官想看你是否真正做过 RAG 系统的 Embedding 选型，而非只背过几个模型名字。这是“工程取舍”类问题，刁钻…→No.2128你们的 RAG 首字延迟（TTFT）怎么优化面试官想考察的不是单一技术点，而是整条链路系统优化能力。TTFT（Time To First Token）是RAG在线服…→No.2129你们的 retrieval 函数，从接收到用户 query 到返回最终结果，中间经过了哪些步骤？每一步的输入输出是什么这道题考察的是工程实现深度，而非概念背诵。面试官想确认你是否亲手写过生产级 RAG 检索管线，还是只调过现成 API。刁…→No.2130你们系统支持多轮对话吗？用户第一轮问了车险保障范围，第二轮追问'这个怎么申请'，你的系统能理解'这个'指的是什么吗面试官想考察你对多轮对话RAG系统的实战理解，而非简单背概念。核心是查询重写（Query Rewriting） 和指代消…→No.2131你使用 RAG 给大模型一个输入，系统是怎样的工作流程面试官想考察你对 RAG 整条链路的工程化理解，而非背诵“检索+生成”的皮毛。这是典型的系统设计 + 工程取舍类问题，刁…→No.2133你如何应对“知识冲突”？当同一个事实在不同版本文档中出现冲突，RAG 检索会把旧文档与新文档混在一起，你如何做版本管理、时效性排序或可信度融合面试官真正想看的是你在 RAG 系统中处理数据质量问题的工程化能力，而非单纯背诵概念。这道题属于系统设计 + 工程取舍类…→No.2134你如何监控动态 RAG 的数据质量面试官想考察你对动态RAG系统整条链路的工程掌控力，而非单纯背诵概念。动态RAG意味着数据源频繁更新（如网页爬取、用户上…→No.2137你检索到的文档是对的，但模型生成的回答里出现了文档中根本不存在的内容，你遇到过这种情况吗？怎么解决的面试官想考察你对RAG系统“最后一公里”的掌控力——检索正确但生成幻觉，这是生产环境中最棘手的“假阳性”问题。考察类型是…→No.2139你的 RAG 系统检索结果很准，但最终答案还是有幻觉，Prompt 怎么写的？System Prompt 和 User Prompt 怎么分工这道题考察的是RAG系统Prompt Engineering的工程取舍与系统设计能力，而非单纯背概念。面试官已明确“检索…→No.2140你的 RAG 系统给了答案但不告诉用户出处？用户怎么知道你没有在胡说八道？引用标注和幻觉检测你怎么做的面试官想考察你对 RAG 系统“可信赖性”的工程落地能力，而非单纯背概念。刁钻点在于：你能否区分“引用标注”和“幻觉检测…→No.2141你的 RAG 系统部署给银行，普通员工能搜到领导的薪资文件？不同分行的数据怎么隔离？向量数据库有权限控制吗这道题是典型的系统设计 + 安全审计类问题，面试官真正想看的是：你是否意识到RAG系统在金融场景下，权限管理不是事后补丁…→No.2142你的 Rerank 模型用的什么？跟 Embedding 模型是怎么配合的面试官想验证你对 RAG 两阶段检索架构的工程落地深度，而非仅背概念。考察类型是系统设计 + 工程取舍。刁钻点在于：很多…→No.2144你的回答有标注信息来源吗？用户怎么知道答案是从哪份文档里来的面试官真正想看的是：你能否在RAG系统中构建可溯源、可验证的信任机制，而非只关注答案生成。这属于系统设计+工程取舍类问题…→No.2146你的系统支持跨会话记忆吗？用户昨天跟系统聊了车险理赔的事，今天打开新会话问'上次说的那个流程，第三步具体怎么操作'——你的系统能接上吗面试官真正想看的是：你能否区分“会话内短期记忆”和“跨会话长期记忆”在RAG系统中的架构差异，以及你是否有落地经验。刁钻…→No.2147你的约束怎么写的？模型怎么知道它只能用你传进去的文档，不能用自己的知识面试官想看你是否理解RAG中“约束”不是一句软话，而是一套可执行的机制。考察类型是工程取舍+系统设计。刁钻点在于：候选人…→No.2149你这套 RAG 部署到银行，一个普通的大堂经理，他问系统'公司薪酬结构是什么'，系统会不会把副行长的薪资文件检索出来给他面试官真正想看你是否具备生产级 RAG 系统的安全设计意识，而非仅会调 API 搭 demo。这是典型的系统设计 + 安…→No.2151假设你现在负责从0搭建一个RAG问答系统，知识库有5000份文档，需要支持多轮对话，你怎么设计面试官想看你从0到1的系统全局设计能力，而非单个模块的细节背诵。这道题的“刁钻点”在于：5000份文档规模不大，但多轮对…→No.2155动态 RAG 怎样确保缓存不影响召回准确度面试官真正想看的是：你是否理解缓存不是“存了就完事”，而是要在召回准确度和系统延迟之间做精细的工程取舍。考察类型是系统设…→No.2159动态数据如何做 dedup面试官真正想看的是：你能否在数据流式涌入、无法全量存储的约束下，设计一个可增量更新、低延迟、高精度的去重方案。这是典型的…→