程序员面试专题库

向量检索质量不只取决于模型，embedding 版本、切分策略、索引参数、权限过滤和回滚方案都会影响线上效果。

RAG 重排的价值是把真正有用的证据放到前面，但它也会带来延迟和成本，需要按场景取舍。

向量检索质量不只取决于向量数据库，embedding 模型、文本切分、领域词和评估样本都会决定召回效果。

企业 RAG 的权限问题不能交给模型自觉，必须在检索和上下文构造阶段就过滤掉无权限资料。

RAG 不只难在首次搭建，知识库持续更新后更考验版本管理、缓存失效、索引一致性和坏例回归。

RAG 的评估不能只看召回率，要看证据是否可答、答案是否基于证据、坏例能否持续减少。

RAG 回答错了，不一定是模型问题。面试里要按资料、切分、召回、重排和生成分层归因。

RAG 项目的难点不是把文档塞进向量库，而是让正确资料被召回、排到前面，并在资料不足时拒答。

大模型应用面试不是炫模型名，而是讲清你如何把不稳定的模型输出变成可用的业务系统。