一、RAG 基础认知篇
问题 1：什么是 RAG？
RAG，全称 Retrieval-Augmented Generation，是一种结合“外部知识检索”和“大语言模型生成”的混合架构。它先从知识库中检索相关文档，再让模型基于这些文档生成回答。
问题 2：RAG 的好处是什么？
能降低幻觉（Hallucination），让回答更贴近事实；还能节省训练成本，无需让模型“死记硬背”海量数据。
问题 3：RAG vs SFT 有何区别？
SFT（监督微调）是在模型内部“灌知识”；RAG 是让模型“查资料”。一个靠记忆，一个靠检索。RAG 的优势是更新快、灵活；SFT 的优势是推理更自然。
二、RAG 常见问题篇（核心 10 大坑）
问题 4：内容缺失问题
常见原因：切片策略不合理、向量召回率低、知识覆盖不全。
解决思路：调整分段长度、使用多向量检索、增加索引质量评估。
问题 5：错过排名靠前的文档
召回算法问题。可优化向量距离计算方式（如 cosine → dot-product）或引入 rerank 模型。
问题 6：脱离上下文——整合策略的限制
拼接多个文档时，语义边界丢失。解决方案：采用 Context Window Re-weighting 或基于语义的拼接。
问题 7：未能提取答案
常发生在检索结果太广或太窄。需调整相似度阈值，并使用 Prompt 工程引导“必须基于引用回答”。
问题 8：格式错误
源数据清洗不规范，或 LLM 输出未结构化。解决：统一索引格式、在 Prompt 中约束输出模板。
问题 9：特异性错误
RAG 在特定领域（如法律、医学）容易被误导。需引入领域词向量或知识图谱增强。
问题 10：回答不全面
检索召回范围太小。可结合多通道检索（keyword + embedding）。
问题 11：数据处理能力的挑战
尤其在非结构化文档中，提取慢。优化点：批量向量化、流式索引、分布式检索。
问题 12：结构化数据查询的难题
RAG 对 SQL 或表格支持弱。解决：混合架构——让 LLM 先生成查询语句再执行。
问题 13：复杂 PDF 提取困难
PDF 通常带有表格、页眉、脚注。解决方案：布局识别（LayoutLM）+ OCR + 坐标级切分。
三、RAG 高级机制篇
问题 14：备用模型机制
在召回失败或 LLM 输出异常时启用备用小模型，可提高鲁棒性。
问题 15：LLM 安全挑战
如 Prompt 注入、越权访问。解决：过滤输入、分级鉴权、脱敏数据。
四、RAG-Fusion 深入篇
问题 16：为什么需要 RAG-Fusion？
单一检索通道无法覆盖所有语义方向，RAG-Fusion 融合多种检索结果，提高覆盖率与稳定性。
问题 17：RAG-Fusion 的核心技术？
多通道检索（embedding + keyword + rerank）+ 答案融合（voting / re-generation）机制。
问题 18：RAG-Fusion 工作流程？
简单说：多个 RAG 并行检索 → 汇总候选 → 加权融合 → LLM 最终生成。
问题 19：RAG-Fusion 的优势与不足？
优势：更全、更准、更稳。 不足：成本高、延迟大、工程实现复杂。
五、RAG 优化策略篇
问题 20：RAG 各模块优化策略？
检索：语义分段 + 向量融合
生成：动态上下文选择 + Prompt 约束
存储：向量压缩 + 版本管理
问题 21：RAG 架构优化？
引入缓存层（Redis / Milvus）、支持流式检索、模块化部署（Index / Query / Generation 独立扩展）。
问题 22：RAG 索引优化？
优化向量生成（使用 instruction embedding）、增量索引更新、去重。
问题 23：RAG 索引数据优化？
统一数据格式、冗余去除、文本归一化（大小写、符号、编码）。
六、RAG 发展与展望篇
问题 24：RAG 未来发展方向？
走向多模态（图文音视频）、强化 Agent 自主检索、结合在线学习（Online Fine-tuning）。
问题 25：LLM 已具备强大能力，还存在什么不足？
事实一致性差、上下文记忆短、隐性偏见未消除。RAG 是现实中的“补脑”方案。
七、补充篇：面试延展问题
问题 26：RAG 的局限性？
检索依赖质量、上下文融合难、生成速度慢。
问题 27：RAG 有哪些优点？
实时性强、可解释性好、维护成本低。
问题 28：RAG 未来可能与哪些技术融合？
GraphRAG（知识图谱结合）、Self-RAG（自我优化）、AgentRAG（工具驱动检索）。
一图总览：RAG 体系结构
转自：https://mp.weixin.qq.com/s/oafgg5k9DkTY9BdzdepT_g
