面试开始
你好，我看了你写的这个最小 RAG 循环 demo，代码结构清晰，我想深挖几个地方。
Q1：背景确认 你写这段代码的目的是什么？它能解决什么真实问题，局限性又在哪里？
📌 考察点：候选人是否理解自己写的是”教学 demo”还是”生产代码”，有没有工程意识。
Q2：核心能力 — Embedding 你用 embed() 把文本转成向量，能解释一下这个向量”代表”什么吗？为什么两段语义相近的文字，它们的向量方向会接近？
📌 考察点：对 Embedding 原理的理解深度，不是死记”高维向量表示语义”。
Q3：核心能力 — 检索 你用余弦相似度做检索。如果我问”RAG 最关键的是什么”，但知识库里某条文档用了完全不同的措辞表达同一意思，你的 retrieve() 能召回它吗？会失败的场景是什么？
📌 考察点：语义检索的局限性，Embedding 模型的 domain gap 问题。
Q4：项目深挖 — 分块注释 代码注释里写了”这 5 条文本已经是分好块的 chunk，真实场景里来自 PDF/Word/Wiki”。如果我给你一份 50 页的 PDF，你会怎么分块？chunk_size 和 overlap 你会怎么设？
📌 考察点：从 demo 到真实场景的工程能力，能否讲出 fixed-size / semantic / recursive 等策略的取舍。
Q5：项目深挖 — Prompt 设计 你的 build_prompt() 在 system 指令里说”仅根据参考资料回答，没有就说未提及”。如果检索召回了 2 条相关度一般的文档，模型会怎么表现？你怎么知道 RAG 的回答质量是好的？
📌 考察点：对 RAG 质量评估的理解——有没有接触过 RAGAS / 忠实度 / 相关性评分。
Q6：压力 / 反向题 你代码里 top_k=2 是写死的，没有任何评分阈值过滤。也就是说，就算召回的文档相似度只有 0.3，也会被塞进 prompt。这个设计有什么问题？你会怎么改？
📌 考察点：候选人能否识别自己代码里的缺陷，并给出合理的改进方案（threshold 过滤 / rerank）。
Q7：行为题 如果你要把这个 demo 改成支持公司内部知识库的真实 RAG 系统，你会从哪里开始，第一个要解决的工程问题是什么？
📌 考察点：从 demo 到生产的工程思维——持久化向量存储、增量更新、安全、延迟……考察候选人的优先级判断。