10.3 RAG 检索增强
覆盖范围
- 文档解析与格式清洗:PDF/扫描件 OCR、Word/HTML/表格解析、版式保留、噪声与乱码处理
- 切分策略与块大小:结构切分、固定长度切分、重叠窗口、父子块、表格代码单独切分
- 元数据抽取与结构化:来源/标题/时间/权限标签、层级路径、引用回链、schema 演进
- 语料治理与增量更新:去重、版本过期、增量/全量重建、语料质量门禁与权限同步
- Embedding 与向量库选型:相似度度量、归一化、维度、嵌入模型选型、HNSW/IVF/PQ、向量库对比
- 混合检索与 rerank:向量 + BM25 融合、RRF/加权、元数据过滤、cross-encoder 重排、降级策略
- Query 改写与上下文组装:指代消解、Multi-Query、HyDE、子问题拆分、上下文预算、引用对齐
- GraphRAG 与多跳检索:实体关系抽取、社区摘要、图向量配合、路径回链、漂移控制与适用边界
- RAG 评测与质量门禁:Recall@k/MRR、忠实度/相关性/完整性/引用准确率、标注集、LLM-as-judge 偏差、线上监控
子主题
| 编号 | 主题 | 覆盖范围 |
|---|---|---|
| 10.3.1 | 文档处理与切分 | 4 个子页 80 题:文档解析与格式清洗、切分策略与块大小、元数据抽取与结构化、语料治理与增量更新 |
| 10.3.2 | 检索与增强 | 5 个子页 100 题:Embedding 与向量库选型、混合检索与 rerank、Query 改写与上下文组装、GraphRAG 与多跳检索、RAG 评测与质量门禁 |
面试题索引
| 编号 | 题目 | 难度 | 频率 | 所在页面 |
|---|---|---|---|---|
| 10.3.1.1-001 | RAG 管线里文档解析处在什么位置? | 基础 | ★★★★ | 文档解析与格式清洗 |
| 10.3.1.1-005 | 表格在 RAG 里怎么解析才不丢结构? | 进阶 | ★★★★ | 文档解析与格式清洗 |
| 10.3.1.2-001 | 为什么要对文档切分?块(chunk)是什么? | 基础 | ★★★★★ | 切分策略与块大小 |
| 10.3.1.2-003 | 块大小怎么选?太大和太小各有什么问题? | 进阶 | ★★★★★ | 切分策略与块大小 |
| 10.3.1.2-006 | 父子块(parent-child chunk)是什么,解决什么问题? | 进阶 | ★★★★ | 切分策略与块大小 |
| 10.3.1.3-001 | RAG 里元数据起什么作用? | 基础 | ★★★★ | 元数据抽取与结构化 |
| 10.3.1.3-005 | 权限与密级元数据如何支撑安全检索? | 进阶 | ★★★★ | 元数据抽取与结构化 |
| 10.3.1.4-004 | 文档更新后如何做增量索引? | 进阶 | ★★★★ | 语料治理与增量更新 |
| 10.3.2.1-001 | 什么是 Embedding,它解决什么问题? | 基础 | ★★★★★ | Embedding 与向量库选型 |
| 10.3.2.1-003 | 常用相似度度量:余弦、内积、欧氏距离有什么区别? | 进阶 | ★★★★ | Embedding 与向量库选型 |
| 10.3.2.1-010 | HNSW、IVF、PQ 分别是什么,如何取舍? | 高级 | ★★★★ | Embedding 与向量库选型 |
| 10.3.2.2-001 | 为什么要做混合检索? | 基础 | ★★★★★ | 混合检索与 rerank |
| 10.3.2.2-004 | 什么是 rerank(重排),为什么需要它? | 进阶 | ★★★★★ | 混合检索与 rerank |
| 10.3.2.3-002 | 指代消解在多轮 RAG 中怎么做? | 进阶 | ★★★★ | Query 改写与上下文组装 |
| 10.3.2.3-003 | Multi-Query(多查询扩展)是什么? | 进阶 | ★★★★ | Query 改写与上下文组装 |
| 10.3.2.3-004 | HyDE 是什么,适用与风险分别是什么? | 进阶 | ★★★★ | Query 改写与上下文组装 |
| 10.3.2.4-001 | 什么是 GraphRAG,解决普通向量 RAG 的什么短板? | 高级 | ★★★ | GraphRAG 与多跳检索 |
| 10.3.2.5-001 | RAG 评测为什么要分检索层与生成分层? | 进阶 | ★★★★★ | RAG 评测与质量门禁 |
| 10.3.2.5-003 | 生成层的忠实度(groundedness)怎么衡量? | 进阶 | ★★★★★ | RAG 评测与质量门禁 |
| 10.3.2.5-005 | 引用准确率如何计算? | 进阶 | ★★★★ | RAG 评测与质量门禁 |
当前状态
- 10.3.1 已完成 4 个子页、80 题;10.3.2 已完成 5 个子页、100 题,合计 180 题,全部为可学习型详解。
- 页面结构:章节首页 + 知识域首页 + 子主题页,三级目录在
toc.yml登记。 - 嵌入模型维度、向量库参数、索引配置与价格等会随版本变化的数字,均标注以官方文档与当前版本为准,未编造具体数值。