后端岗位面试题 · 方案权衡 · tech:rag
题库中标记为“后端”的结构化面试题。
共 89928 道真题 · 当前筛选命中 57 道 · 更新 2026-08-05
筛选题目已选：方案权衡 · tech:rag
考察点
技术栈
第 1 题请介绍检索增强生成（RAG）的基本原理和应用价值。 考察对 RAG 架构的理解、组成模块及其与纯生成模型的区别第 2 题请描述建立RAG系统的整体流程，并重点说明知识库构建中的分片策略、嵌入模型选择以及向量存储方案。 考察对RAG全流程的理解、知识库构建的关键决策及技术选型能力第 3 题在RAG系统中，你如何优化召回率？ 考察检索优化策略和系统化调优能力第 4 题让你设计一个RAG你要怎么做？ 考察RAG系统的整体设计、组件选择与关键工程考量第 5 题RAG能做哪些优化呢？ 考察对检索增强生成各环节优化点的系统理解第 6 题请描述你在项目中如何评估RAG（检索增强生成）系统的效果，以及为什么没有直接使用现成的RAG组件。 考察RAG系统评估方法论与组件选型决策能力第 7 题RAG中如何进行文本切片与划分？ 考察RAG中文档切分的策略、权衡与工程实践第 8 题RAG系统如何优化？请结合查询重写、多路召回和重排等方面说明。 考察对RAG检索增强生成各优化环节的理解与工程实践第 9 题请描述你在 AI 超级智能体项目中构建 RAG 知识库的具体做法，包括文档处理、向量化、存储和检索等关键步骤。 考查候选人在实际项目中应用 RAG 构建知识库的工程实践能力。第 10 题如何选择合适的向量维度用于 RAG 系统中的向量检索？ 考察向量维度选择对检索质量和性能的影响第 11 题如何评估一个RAG系统的效果？请从检索质量和生成质量两个维度说明评估方法。 考察对RAG系统评估体系的理解，包括检索部分与生成部分的解耦评估及端到端指标第 12 题请结合你熟悉的业务或项目，谈谈大模型的应用场景和落地方式。 考察对大模型典型应用场景的理解及与具体业务的结合能力第 13 题RAG 如果生成的内容不好，采用对抗学习应该怎么做？ 考察对 RAG 生成质量问题的理解及应用对抗学习的思路第 14 题AI Agent是怎么实现的？如何通过调用大模型的API、RAG、MCP等组件组合来实现这个Agent？ 考察对大模型应用架构、Agent实现模式和外部工具集成能力的理解第 15 题为什么要使用RAG技术？ 考察对RAG技术动机、适用场景和核心优势的理解第 16 题如果客服系统需要自动回复用户咨询，如何通过大模型实现智能问答？ 考察大模型在客服场景中的应用设计与工程落地能力第 17 题请介绍你负责的 RAG 项目的整体流程、你的具体工作，以及数据是如何收集的，并说明当时为什么选择 RAG 而不是微调模型。 考察 RAG 项目理解、数据工程细节与方案选型判断第 18 题RAG检索的准确性怎么保证 考察对RAG检索环节中相关性、召回准确性和系统性优化策略的理解第 19 题在 RAG 系统中，你是如何设计文档切分（split）策略的？ 考察 RAG 中文档切分的核心考量与工程实践第 20 题怎么评估 RAG 的生成内容 考察RAG系统生成质量的评估方法与指标体系