RAG（检索增强生成）
先用一句话说清楚
RAG（检索增强生成）是先从外部资料中检索证据，再让 LLM（大语言模型）基于证据生成回答的系统方法。
新手通俗解释
LLM（大语言模型）像一个会总结和表达的人，但它不一定知道企业内部资料，也不一定知道最新政策。RAG（检索增强生成）就像先让这个人翻资料、找证据，再根据资料回答。
如果用户问“我们公司的试用期报销规则是什么”，模型自己回答就可能编。RAG（检索增强生成）的做法是：先从制度文档中找到相关段落，再把段落交给模型，让模型回答，并附上 Citation（引用来源）。如果资料里没有，就应该拒答或提示需要人工确认。
为什么智能体工程师岗位会问它
RAG（检索增强生成）几乎是 AI Agent（人工智能体）岗位的基础能力，因为企业真正需要的不是“模型会聊天”，而是“模型能基于企业资料可靠回答”。面试官问 RAG（检索增强生成），通常是在判断你是否理解企业知识库、资料治理、检索质量、引用、拒答和评估。
岗位常见追问包括：
| 追问方向 | 面试官真正想确认 |
|---|---|
| 为什么不用长上下文直接塞资料 | 你是否理解成本、噪声、更新和权限问题 |
| 分块怎么做 | 你是否理解 Chunk（分块）会影响召回和引用 |
| 向量库怎么选 | 你是否理解 Vector Database（向量数据库）只是组件，不是完整方案 |
| 检索不准怎么办 | 你是否会做关键词检索、向量检索、Reranker（重排序器）和评估样例 |
| 幻觉怎么控制 | 你是否会用 Citation（引用来源）、拒答、结构化输出和人工兜底 |
它在项目里到底怎么用
一个能讲给面试官听的 RAG（检索增强生成）项目，至少要包含这条链路：
| 环节 | 要解决的问题 | 新手容易漏掉的点 |
|---|---|---|
| 资料治理 | 哪些资料能入库、谁维护、版本是否可信 | 不是所有文件都应该进知识库 |
| 文档解析 | 把 PDF（便携式文档格式）、Word（文字文档）、网页等内容变成可处理文本 | 表格、标题、页码和来源容易丢 |
| Chunk（分块） | 把长文档拆成可检索片段 | 固定长度切割可能破坏语义 |
| Embedding（嵌入向量） | 把文本变成可做相似度检索的向量 | 模型版本变化会影响索引一致性 |
| 检索 | 根据问题找候选片段 | 只用向量检索可能漏掉关键词 |
| Reranker（重排序器） | 对候选片段重新排序 | 重排增加成本和延迟，要按场景使用 |
| 生成 | 基于证据回答 | 不能让模型脱离证据自由发挥 |
| Citation（引用来源） | 展示答案依据 | 引用要能支持答案，不只是放链接 |
| 评估 | 用样例集检查命中、引用、拒答和成本 | 没评估就无法说明质量 |
和普通搜索的区别
普通搜索把资料列表给人看，RAG（检索增强生成）把资料证据交给模型，让模型组织成答案。它比搜索更友好，但也更危险：模型可能把不相关资料说得很像真的。所以 RAG（检索增强生成）必须做引用、拒答和评估，不能只追求回答流畅。
常见误解
| 误解 | 为什么不对 | 正确理解 |
|---|---|---|
| 有 Vector Database（向量数据库）就是 RAG（检索增强生成） | 向量库只负责存储和检索 | 还需要解析、分块、检索策略、生成、引用和评估 |
| Chunk（分块）越小越好 | 太小会丢上下文，太大又带噪声 | 要根据文档结构、问题类型和上下文预算调整 |
| 检索结果越多越好 | 结果多会挤占 Context Window（上下文窗口） | 要控制数量，并用重排和过滤提升质量 |
| 模型会自动判断资料对不对 | 模型可能被错误资料误导 | 资料入库前要治理，回答后要验证 |
面试官可能怎么追问
1. RAG（检索增强生成）完整链路是什么？
考察点： 是否理解 RAG（检索增强生成）不是单个组件。
参考回答： 我会把 RAG（检索增强生成）拆成资料治理、文档解析、Chunk（分块）、Embedding（嵌入向量）、索引入库、检索、Reranker（重排序器）、证据拼接、模型生成、Citation（引用来源）、拒答和评估。企业项目里还要加权限、版本、日志和人工反馈。
容易扣分： 只说“把文档放进向量数据库，再让模型回答”。
2. RAG（检索增强生成）回答错了，你怎么定位？
考察点： 是否能分层排查。
参考回答： 我会先看 Trace ID（追踪编号）串起的链路：用户问题是否明确，检索关键词是否合理，召回片段是否命中，重排是否把正确片段排前，拼给模型的证据是否足够，Prompt（提示词）是否要求基于证据回答，输出是否带正确 Citation（引用来源）。如果证据本身错误，还要回到资料治理。
容易扣分： 直接说“换模型”。
3. 为什么 RAG（检索增强生成）需要拒答？
考察点： 是否理解企业场景的可信边界。
参考回答： 企业知识库不能为了回答率牺牲可信度。没有证据、权限不足、资料过期或命中片段不支持结论时，都应该拒答、追问或转人工。RAG（检索增强生成）成熟度不是永远有答案，而是知道什么时候不能答。
容易扣分： 认为拒答会降低体验，所以永远生成一个答案。
作品集里怎么展示它
你的 RAG（检索增强生成）作品集至少要展示：
- 资料入库清单：来源、版本、权限、更新时间。
- 分块策略：为什么按标题、段落、表格或语义切分。
- 检索过程：用户问题、候选片段、重排结果。
- 回答结果：答案、引用、拒答原因、Trace ID（追踪编号）。
- 评估样例：命中率、引用支持率、拒答准确率、延迟和成本。
面试时不要只展示“能回答”。要展示它为什么可信、怎么复盘、怎么持续改进。
和哪些术语一起理解
- Chunk（分块）
- Embedding（嵌入向量）
- Vector Database（向量数据库）
- Reranker（重排序器）
- Citation（引用来源）
- Context Window（上下文窗口）