I IT 面试题库
构建企业知识库 RAG 系统时,文档切分策略(固定长度/滑动窗口/语义切分)与向量检索如何共同决定召回质量?
中级场景题算法工程师机器学习工程师LLM应用开发工程师后端开发工程师RAG向量检索Embedding知识库检索增强
题目
考察点:RAG(检索增强生成)落地的两个关键环节——文档切片与向量召回,及其对最终答案准确性的影响。
参考答案
内容深度:适中 · 无代码示例 · 来源:外部链接 · 未复核 · 45 天前更新 · 技术内容可能随版本变化,建议结合官方文档理解
要点:
- 切分策略直接影响召回精度:切得太碎会丢失上下文、让向量只代表局部语义;切得太长则一个 chunk 含多主题,向量「四不像」、检索噪声大。固定长度简单但易切断句子;滑动窗口能缓解边界丢失但增加冗余;语义切分(按标题/段落/模型分句)最贴合人类语义单元。
- 检索阶段要兼顾相关性与多样性:先用 Embedding 做 ANN 近邻检索(如 HNSW/FAISS),再可选重排(rerank)提升 top-k 精度;查询也要做同样的向量化,且最好做查询改写/扩展以弥补用户问法与文档表述的用词鸿沟。
- 缓解幻觉的关键在「检索质量 + 引用约束」:只把检索到的片段作为上下文喂给大模型,并在 prompt 中要求「仅依据给定资料作答、标注出处」;同时设定相似度阈值,低于阈值就回答「知识库无相关信息」,避免强行编造。
- 工程落地要点:切片与索引要可回溯(记录来源文档与页码),定期对 Embedding 模型与索引做评估(用召回率/答案准确率),数据更新时增量重建索引而非全量。
题目与答案就在本页;收藏、批注和错题重练在应用内