面试面经 · 通用
【大模型】【RAG工程师】【面经】（检索优化+向量数据库+评估）
【大模型】【RAG工程师】【面经】
基本信息
| 项目 | 内容 |
|---|---|
| 公司 | 多家公司通用 |
| 岗位 | RAG 工程师 |
| 轮次 | 综合 |
| 面型体感 | 技术面，RAG专项 |
| 面试官风格 | 考察检索和工程能力 |
面试题目
文档处理
- 文档切割策略有哪些？
- 怎么规避语义被切割掉的问题？
- 父子分块怎么设计？
- 不同文档格式怎么处理？（文本/代码/表格）
检索优化
- Embedding 模型怎么选型？
- 向量召回和 BM25 为什么要混合？
- 重排序（Rerank）怎么做？
- 多路召回怎么实现？
向量数据库
- 向量数据库对比：Milvus/Qdrant/Pinecone/Weaviate
- 向量索引算法：HNSW/IVF/PQ
- 性能优化：量化、分片、缓存
评估和优化
- 检索效果怎么评估？Recall@K/MRR/NDCG
- 回答效果怎么评估？忠实度/相关性/有用性
- 怎么处理幻觉问题？
- 怎么优化长文档的检索效果？
准备建议
- 文档切片策略要有实际经验
- 向量数据库要有对比使用经验
- 检索评估指标要熟悉
- 准备 RAG 优化的实际案例
