RAG 知识三层结构（面试视角）

第一层：了解 / 表层

能说清楚”是什么”

• RAG = 检索 + 生成，解决 LLM 幻觉和知识截止问题
• 基本流程：文档 → Embedding → 向量库 → 检索 → 拼 Prompt → LLM 生成
• 知道 Embedding、余弦相似度、Top-K 是什么
• 能跑通一个最小 Demo（类似 01_v1）

面试官判断：“看过文章，自己跑过 demo”

---

第二层：熟悉 / 中层

能说清楚”为什么”和”怎么选”

• Chunk 策略对召回质量的影响（大小、重叠、按句/段切割）
• 向量检索 vs BM25 vs 混合检索的适用场景
• 如何评估 RAG 效果（召回率、精确率、端到端 QA 质量）
• 遇到”检索到了但答错了”/“没检索到”如何排查
• 用过真实向量数据库（Chroma、Milvus、Weaviate 等）

面试官判断：“在项目里用过，踩过坑”

---

第三层：精通 / 深层

能说清楚”边界在哪”和”如何突破”

• Reranker 原理（Bi-encoder vs Cross-encoder 的 trade-off）
• 多跳推理（Multi-hop）场景下 RAG 的局限与 GraphRAG/迭代检索方案
• 生产级优化：索引更新策略、冷热分层、延迟 vs 召回的权衡
• RAG 评估体系搭建（RAGAS、自动化 pipeline）
• 什么时候该用 RAG，什么时候该用 Fine-tuning，什么时候两者结合

面试官判断：“主导过 RAG 系统设计，有性能数据支撑”

---

当前位置参考

基于 01_v1 代码：已扎实跨入第一层、触碰到第二层入口（知道 chunk 策略是 V2 要解决的问题）。

第二层关键跨越点：跑完 V2（分块）+ V3（混合检索）+ 做一次真实评估。