标签题目
RAG相关面试题第 2 页
RAG 生成阶段如何把 top3/top10 文本块和文档信息组织进 Prompt，控制模型基于证据输出？
这题考 RAG 生成阶段的证据组织和约束生成能力，重点是把 top3/top10 chunk、文档元数据、冲突处理和引用规则放进 Prompt，而不是简单拼接检索结果。回答要聚焦 evidence packing 和 grounded generation，不要扩成泛泛的召回优化。
构建 AI Agent 时，Memory 机制通常如何分层设计，短期上下文、长期记忆和检索注入分别解决什么问题？
这题考察的是候选人是否理解 Agent Memory 不是一个简单向量库，而是一套分层状态管理和检索注入机制。回答要区分短期上下文、工作记忆、长期记忆、外部知识检索和写入更新策略，并说明每层解决的问题、成本权衡、失效模式和评估方法。
多模态/RAG 项目上线前如何设计评价指标，如何拆分整体效果与 RAG 子模块指标？
这题考察的不是“能不能背几个指标名”，而是能否把多模态/RAG 项目上线前的评价体系拆成可决策、可归因、可监控的指标框架。来源只支持“项目上线前评价指标”和“RAG 子模块评价指标”这两个面试追问，因此回答应聚焦通用方法论，不编造任何阿里内部指标。高质量答案要先定义上线目标和风险边界，再把评价拆成三层：端到端业务效果、模型回答质量、RAG 链路子模块效果。最终要能回答三个问题：整体效果好不好、如果不好是哪一段坏了、达到什么阈值才能灰度上线。
AI Agent 在故障排查场景中生成错误建议时，如何用证据约束、置信度、人审/拒答、工具校验和回归评测避免误导用户？
这道题考察故障排查 Agent 的安全边界和质量治理。高质量回答要把错误建议看成高风险输出，通过证据约束、工具校验、置信度、拒答、人审和回归评测降低误导用户的概率。
在检索增强或语义搜索链路中，Qwen3 Embedding 模型和 Qwen3 Reranker 模型分别解决什么问题？二者在输入输出、训练目标、召回/精排位置和延迟成本上有什么区别？
这道题考察语义检索/RAG 链路中双编码召回和交叉编码精排的差异。回答要讲清 Embedding 负责低成本召回，Reranker 负责高精度相关性重排，二者输入输出、训练目标和延迟成本不同。
RAG 系统上线时，向量数据库应选择实时增量更新还是离线批量刷新？本地部署架构如何搭建，并如何评估检索与生成效果？
这道题考察 RAG 系统从向量库更新、部署架构到效果评估的上线能力。回答要权衡实时增量和离线批刷，并覆盖本地部署组件、权限、回滚和检索/生成指标。
如果要让 Qwen 支持多篇论文上传、精准总结并输出对比表格，如何设计文档解析、RAG、结构化抽取、质量评估和部署闭环？
这道题考察多文档 RAG 与结构化生成产品/算法方案。回答要覆盖论文解析、切片检索、结构化抽取、对比表格生成、质量评估和部署闭环。
多源检索 Agent 如何判断证据已足够生成结论，在文献、病历和网页结果冲突时划分可信优先级并排序筛选，同时用停止条件避免死循环？
这题考多源检索 Agent 的证据治理能力。高质量回答要说明如何拆解问题、判断证据是否足够、处理文献/病历/网页冲突、排序筛选来源，并用明确停止条件避免检索和推理循环失控。
主流 Agent 框架如何选型，如何按 RAG 检索、有状态工作流、多 Agent 协作、工具/记忆/检索能力和自主性与可控性边界做取舍？
这题考 Agent 框架选型边界，而不是背框架名。好的回答应按业务需要拆分：RAG 检索优先看数据索引和检索评估，有状态工作流优先看可控状态机，多 Agent 协作优先看角色协议和收敛性，工具、记忆、检索抽象要看边界清晰度，最终在 Agent 自主性和工程可控性之间取舍。
RAG 文档发生局部更新时，如何通过增量索引避免全量重新向量化，并保证检索结果一致？
这题考生产级 RAG 数据更新。回答要讲文档版本、chunk 变更检测、增量 embedding、索引原子切换、删除 tombstone 和检索一致性。
Agent 按需加载工具说明、规则和上下文的渐进式披露架构下，是否还需要 RAG？二者如何分工与协同？
这题考 Agent 上下文架构和知识检索的边界。回答要说明渐进式披露管工具说明、规则和上下文的按需加载，RAG 管外部事实证据检索，并给出二者协同的执行链路。
多跳推理或复杂逻辑查询需要多次 RAG 时，如何优化检索编排、上下文预算、证据聚合，并处理权限隔离与知识时效性？
这题考复杂 RAG 架构。回答要讲多跳检索编排、子问题拆解、上下文预算、证据聚合、权限过滤、知识时效和可审计输出。