面试资料较长，建议点赞收藏，以免遗失。如果对你有所帮助，记得告诉身边有需要的朋友。

💡温馨提示：可点击右上角···，通过关键字快捷搜索你想要的答案****

**1.**什么是RAG？为什么比纯生成模型更有优势？

RAG（Retrieval-Augmented Generation）将检索系统（如向量数据库）与大语言模型（LLM）结合，流程为：用户提问 → 检索相关文档 → 将文档作为上下文输入LLM生成答案。
优势：
✅ 解决LLM的知识幻觉和数据时效性问题
✅ 降低模型微调成本，动态更新知识库
✅ 生成结果可追溯（引用来源）

**2.**描述RAG的完整工作流程

1. 索引阶段（Indexing）:

• 文档加载 → 文本分块（Chunking）→ 向量化（Embedding）→ 存储到向量数据库

2. 查询阶段（Query）:

• 用户提问 → 向量化 → 检索Top-K相关文档 → 合并文档为上下文 → 输入Prompt模板 → LLM生成答案

**3.**文本分块（Chunking）有哪些策略？如何选择分块大小？

策略: 固定长度分块、按句子/段落分割、重叠窗口（如256 token分块 + 32 token重叠）

选择依据：

✅ 文档类型（法律文本需大块，对话用小块）
✅ 模型上下文长度（如GPT-4最大128K）
✅ 检索精度 vs 计算成本权衡

**4.**如何选择Embedding模型？

• 开源模型：BGE、text2vec
• 商业API：OpenAI text-embedding-ada-002
• 关键指标：

✅ MTEB榜单排名（检索、聚类等任务）
✅ 多语言支持
✅ Embedding维度（常用768或1536维）

**5.**主流向量数据库对比（Faiss vs Pinecone vs Milvus）

数据库	特点	适用场景
Faiss	本地运行，高吞吐	中小规模数据集
Pinecone	全托管服务，自动扩缩容	生产级云部署
Milvus	分布式架构，支持多模态	超大规模知识库

**6.**如何提升RAG的召回率？

检索优化：

✅ 多查询扩展（HyDE：用LLM生成假设答案再检索）
✅ 混合检索：向量搜索 + 关键词搜索（BM25）
✅ 重排序（Re-ranking）：用Cross-Encoder对Top-K结果精排

嵌入优化：

✅ 微调Embedding模型适配领域数据

**7.**RAG的答案不准如何排查？

按流程逐层排查：
1️⃣ 检索模块：检查召回文档的相关性（MRR指标）
2️⃣ 生成模块：验证Prompt设计是否清晰传递上下文
3️⃣ 分块策略：查看分块是否割裂关键信息
4️⃣ Embedding模型：领域数据是否分布偏移

**8.**如何解决长上下文中的“中间丢失”问题？

策略1：Map-Reduce（分别处理各分块再汇总）

策略2：Sentence Window Retrieval

✅ 检索时返回目标句子的前后扩展窗口

策略3：Auto-merging Retrieval（动态合并相关分块）

**9.**RAG如何与微调（Fine-tuning）结合？

两阶段方案：

1. 用检索数据训练适配器（如LoRA）
2. 推理时在Prompt中注入检索结果

代表技术：
✅ RAFT（检索增强的微调）
✅ REALM（联合训练检索器和生成器）

**10.**设计一个支持多源知识库的RAG系统

核心组件：

class MultiSourceRAG:    def __init__(self):        self.dbs = {  # 多数据库路由           "manual": faiss_index1,           "api_docs": pinecone_index2          }    def retrieve(self, query, source):        # 根据来源选择DB → 检索 → 重排序    def generate(self, query, context):        # 动态Prompt模板：f"参考{source}文档：{context}\n回答："

优化点:
✅ 各知识库独立Embedding模型
✅ 缓存高频查询结果

11. RAG的评估指标有哪些？

指标	含义
Hit Rate @K	前K个结果中包含正确答案的比率
MRR（平均倒数排名）	正确答案排名的倒数的平均值
NDCG	考虑排序位置的加权相关性得分
Faithfulness	LLM生成内容是否忠实于检索到的上下文

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！