项目背景与架构
企业内部文档分散在多个系统中。员工与客户问答依赖人工翻阅，效率与一致性差。直接将文档交由通用大模型处理，面临幻觉、无溯源与知识过期三个硬伤。企业知识库 RAG 助手通过检索增强解决此问题。
架构按数据流向分三层。第一层是离线知识管线，负责多来源文档接入与解析，复杂文档单独处理。切分采用结构优先策略，结合标题层级与重叠窗口。切分内容通过 Embedding 模型向量化入库，并建 BM25 字面索引。
第二层是在线问答链路。用户请求先经改写或拆分，进入向量与字面混合检索。召回结果经 RRF 融合与 Cross-Encoder 重排提取头部内容。系统将重排上下文与引用来源组装，约束模型仅依上下文作答。第三层是评测与运营层，通过评测集与线上反馈回流机制，处理增量更新与过期文档治理，并在检索前依 ACL 元数据完成权限过滤。
面试官会挖的难点
- 「从数据清洗到检索服务上线，整个链路怎么搭、chunk怎么切」 答题强调结构优先切分与按文档类型分策略，不给固定魔法数。不同格式文档需差异化解析，切分粒度结合业务场景通过评测集调参确定。
- 「检索召回不相关，你怎么排查」 按层级定位问题。先查召回层的请求改写、Embedding 选型与切分粒度。再看排序层重排机制是否生效，最后排查生成层是否使用召回内容，用评测集的召回率与排序质量指标说话。
- 「知识库怎么增量更新、新旧文档打架怎么办」 采用版本化管理，对过期文档降权或下线。更新后触发全量评测回归。内容冲突文档按时间先后与来源权威度排序，以高权威与最新内容为准。
指标怎么讲
讲解指标时，先说明如何构建评测集。收集真实用户请求，人工标注相关文档与标准答案建立评测集。
在此基础上，对比无检索直接回答、纯向量检索、混合检索加重排三档基线。离线阶段关注召回指标、排序质量、忠实度与引用命中率。线上阶段观察问题解决率、点踩率、人工介入率、平均响应延迟与单次问答成本。最后说明迭代机制，将表现不佳案例归因回流至评测集，用指标相对变化方向证明方案优于基线。
简历怎么写
- 主导企业知识库 RAG 问答系统设计，搭建解析、切分、混合检索、重排与生成链路，支持多格式文档接入与增量更新。
- 建立评测驱动的迭代流程，构建人工标注评测集与分指标看板，定位修复召回与排序瓶颈，实现检索命中与答案忠实度提升。
- 落地引用溯源与权限过滤机制，生成答案附带原文出处，并在检索层内联 ACL 过滤，满足内部数据合规要求。
常见 badcase 与治理
- 召回到相关段落但生成答案未使用：属生成层问题。治理动作是在上下文组装时明确标注来源与指令约束，必要时换更强生成模型或微调遵循性。
- 专有名词或编号检索不到：属召回层字面通道弱。治理动作是混合检索补充 BM25 通道，并引入同义词扩展，确保术语被准确召回。
- 答案编造引用出处：属生成层幻觉。治理动作是引用直接从检索元数据生成，不让模型自由发挥，对低置信度结果采取拒答策略。
面试讲法收束
一分钟内介绍项目，按问题、方案与收益展开。先点明文档分散且大模型有幻觉的背景，接着简述离线知识管线与在线问答的三层架构设计，突出混合检索与重排的作用。最后用评测集指标改善方向收尾，并提及社区 Idea2Paper 构建十万级论文向量知识库的落地经验，佐证大规模语料检索架构可行性。
怎么扩展
项目可向三个方向延展。首先是 Agent 化，将检索封装为智能体的工具，由其自主决定何时触发检索及是否拆分子问题，使检索从流水线变为工具调用。其次是多模态，针对扫描件与图表接入多模态解析通道。最后是权限与合规深化，推进行级权限控制、审计日志记录，并按要求提供私有化部署选项。