IT 面试题库

什么是 RAG?它的典型架构和流程是怎样的?

中级简答题AI应用开发工程师算法工程师AI产品工程师RAG大模型向量检索

题目

请说明检索增强生成(RAG)解决什么问题,以及离线建库与在线检索生成两个阶段的完整流程。

参考答案

内容深度:适中 · 无代码示例 · 来源:网络整理 · 未复核 · 71 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

RAG(Retrieval-Augmented Generation,检索增强生成):让大模型回答问题前,先从外部知识库检索相关内容,把检索结果作为上下文交给模型生成答案。

解决的问题:①模型训练数据有截止时间,不知道新知识;②私有领域知识(企业文档)不在训练语料里;③幻觉——无依据地编造;④微调成本高,RAG 只需更新知识库即可"热更新"知识。

离线阶段(建库):

  1. 文档加载(PDF/Word/网页)→ 切片 chunking(按段落/语义切,带重叠窗口,常见 300~800 token);
  2. 向量化 embedding(文本→高维向量);
  3. 存入向量数据库(Milvus、Chroma、pgvector 等)建索引。

在线阶段(问答):

  1. 用户问题同样向量化 → 在向量库中做相似度检索(常配混合检索:向量+关键词 BM25)→ 取 Top-K 片段;
  2. 重排序 rerank 精排,拼装 Prompt(问题+检索片段+指令);
  3. 大模型生成答案(可要求标注引用来源)。

评估维度:检索质量(召回率/命中率)、答案忠实度(是否基于检索内容)、相关性;常见优化点在切片策略、混合检索与 rerank、元数据过滤。

练这道题

同分类 · 高频题

题目与答案就在本页;收藏、批注和错题重练在应用内

这道题看完了?连刷同类题,趁热打铁效果最好 进入刷题