人工智能面试题 · 技术原理 · RAG
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 192 道 · 更新 2026-08-05
筛选题目已选：技术原理 · RAG
考察点
技术栈
第 41 题RAG 知识检索召回精度不高要怎么办？ 考察对 RAG 检索链路优化、召回质量与评估方法的理解第 42 题在做Agent的时候，如果也用到了RAG，出现指令不遵循的情况，应该如何解决？ 考察Agent与RAG结合时对指令遵循问题的系统性排查与优化能力第 43 题请介绍RAG（检索增强生成）有哪些主要分类？ 考察对RAG体系分类的掌握程度第 44 题RAG（检索增强生成）系统通常使用哪些评价指标来评估其性能？ 考察对RAG系统评估维度、具体指标及其适用场景的理解第 45 题如何提高RAG召回的准确率，以及对向量化模型进行微调的方法有哪些？ 考察RAG召回优化和向量化模型微调能力第 46 题RAG如何做rerank的 考察检索后重排序的策略、模型选择和与整体流程的整合第 47 题请说明 RAG 系统的整体架构，并重点讲解文本分块的策略与考量。 考察对 RAG 架构的理解以及文本分块的实际设计能力第 48 题在RAG流程中，是否需要对检索结果进行Rerank？常见的Rerank策略有哪些？ 考察对Rerank必要性判断及常用Rerank算法的理解第 49 题RAG怎么解决模型幻觉？ 考察对检索增强生成原理及其减少幻觉机制的理解第 50 题谈谈传统搜索算法和RAG的理解 考察对传统搜索算法与检索增强生成的理解及两者关系第 51 题做 RAG 检索的话，如何实现多模态的这种检索能力？ 考察多模态 RAG 中跨模态检索的技术选型与实现思路第 52 题请谈谈你对RAG技术的理解，并说明在使用LangChain等框架时，Agent与RAG如何协同工作？ 考察对RAG原理的理解以及Agent与RAG结合的架构设计能力第 53 题请具体说明在大型语言模型应用中，缓解模型幻觉的常用方法有哪些？ 考察对LLM幻觉成因及主流缓解策略的理解与应用第 54 题请介绍 RAG（检索增强生成）的实现流程，包括检索、增强和生成环节。 考察对 RAG 整体架构与关键组件理解第 55 题你觉得当前RAG的最大瓶颈在哪？你做过哪些改进来提升Recall？ 考察对RAG系统瓶颈的理解及提升召回率的实际改进能力第 56 题请解释RAG中召回算法的原理，以及为什么在召回后还需要重排。 考察对检索原理和重排必要性的理解第 57 题RAG系统如何评估？RAG评估体系中最重要的是什么？ 考察对RAG评估维度、指标和核心关注点的理解第 58 题请描述 RAG（检索增强生成）系统的基本流程，并说明其中知识库、检索方式和提示词分别如何设计。 考察对 RAG 完整流程的掌握程度，以及知识库、检索和提示词三个核心环节的设计能力第 59 题请介绍RAG的整体流程，并说明在分段（chunking）环节做了哪些优化？ 考察对RAG流程的理解及对文本分段优化策略的实际经验第 60 题什么是SFT，和RAG的不同侧重点是什么？ 考察对大模型微调与检索增强两种技术路线的理解与侧重点辨析