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 21 题说一下你对 RAG（检索增强生成）的理解吗？ 考察对 RAG 的核心原理、产生背景和适用场景的理解第 22 题在RAG系统中，检索阶段如何综合关键词匹配与向量匹配的结果，最终给出返回给生成模型的文档？ 考察RAG检索融合策略与排序机制的理解第 23 题在RAG系统中,分片算法和调参分别如何影响检索效果?你认为哪个更关键,为什么? 考察RAG系统设计中对分片、检索参数及其优先级权衡的理解第 24 题在 RAG 场景中，当知识库规模很大导致检索变慢时，你会如何优化？ 考察对大规模知识库检索性能优化方案的理解与权衡第 25 题请介绍RAG系统性能优化的主要思路与关键手段。 考察对RAG各环节性能瓶颈的识别与系统性优化能力第 26 题请详细讲解RAG（检索增强生成）的实现原理，包括主要模块、关键流程和典型应用场景。 考察对RAG框架核心组件、流程逻辑和应用边界的理解第 27 题在 RAG 系统中，如何对文档进行分片？请考虑不同文档类型和长度。 考察文档分片策略和工程实践第 28 题在RAG优化中，你为何选用RRF算法而不是其他排序融合方法？ 考察排序融合方法的技术选型与方案权衡能力第 29 题RAG和传统大模型相比的优势 考察对RAG架构优势的理解及应用场景第 30 题在开发一个基于大模型接口的 RAG 应用时，你会如何用 Go 设计高并发架构？ 考察 Go 并发模型在 RAG 应用中的工程实践与限流降级第 31 题你在 RAG（检索增强生成）应用中做过哪些优化？请结合具体场景说明优化点和效果。 考察对 RAG 全链路优化的理解与工程实践深度第 32 题请介绍一个基于检索增强生成（RAG）的典型流程。 考察对RAG检索、增强、生成全链路的理解与边界意识第 33 题深入RAG原理层面，有哪些优化思路？ 考察对RAG系统各环节原理性优化方法的理解深度第 34 题RAG技术有哪些难点和挑战？ 考察对RAG各环节潜在问题与应对策略的理解第 35 题为什么不把答疑的内容放入RAG，而是采用Agent方式？ 考察对RAG与Agent在知识库问答场景下的架构选型理解第 36 题怎么解决大模型幻觉？ 考察对大模型幻觉成因、检测与缓解手段的系统理解第 37 题请介绍你对RAG和模型微调这两种AI技术的理解，并说明它们各自适用的场景。 考察对RAG与微调的核心原理和适用边界的理解第 38 题关于RAG（检索增强生成），切片和向量库是如何处理的？ 考察RAG系统中切片策略与向量库的实践理解第 39 题RAG的chunk和overlap怎么设置的？ 考察对RAG中文本切分参数的理解与调优能力第 40 题请介绍你对 RAG（检索增强生成）的理解及常见实现思路。 考察对检索增强生成技术的原理理解、关键组件和典型流程的掌握