文章目录
- RAG 检索与排序 必补知识体系（从核心到细节）
- 1 级：RAG 整体架构（必须最先掌握）
- 1.1 RAG 基本流程
- 1.2 两大核心阶段
- 2 级：文档预处理与分块（Chunking）
- 2.1 为什么要分块
- 2.2 常见分块策略
- 2.3 关键参数
- 3 级：向量化（Embedding）
- 3.1 向量模型原理
- 3.2 向量模型选型
- 3.3 相似度计算
- 4 级：召回检索（Retrieval）
- 4.1 检索类型
- 4.2 向量检索核心
- 4.3 主流索引结构
- 4.4 向量库/工具
- 4.5 召回参数
- 5 级：重排序（Rerank）
- 5.1 为什么需要 Rerank
- 5.2 重排序模型
- 5.3 重排流程
- 5.4 评估指标
- 6 级：RAG 优化与工程落地（面试加分项）
- 6.1 检索效果优化
- 6.2 常见问题解决
- 6.3 系统性能
- 7 级：RAG 评估（面试官必问）
- 7.1 离线评估
- 7.2 在线评估
- 8 级：进阶方向（拔高用）
- 8.1 知识图谱 + RAG（GraphRAG）
- 8.2 多轮对话 RAG
- 8.3 自适应检索 / 动态召回
- 8.4 RAG + 微调
我给你整理一套RAG 检索&排序最硬核、面试必问的知识体系，严格按1级→2级→3级层级，你从顶层往细节啃就行。
RAG 检索与排序 必补知识体系（从核心到细节）
1 级：RAG 整体架构（必须最先掌握）
1.1 RAG 基本流程
- 文档预处理 → 分块 → 向量化 → 建库 → 用户查询 → 检索 → 重排序 → 大模型生成
1.2 两大核心阶段
- 召回阶段（Retrieval）
- 重排序阶段（Rerank）
2 级：文档预处理与分块（Chunking）
2.1 为什么要分块
- 上下文长度限制
- 语义完整性
- 检索精度与召回率平衡
2.2 常见分块策略
- 固定长度分块
- 按句子/段落分块
- 按标题层级分块
- 基于语义的分块（语义相似聚类）
2.3 关键参数
- Chunk 大小
- Overlap 重叠长度
- 分隔符规则
3 级：向量化（Embedding）
3.1 向量模型原理
- 稠密向量表示
- 语义相似度计算
3.2 向量模型选型
- 通用 Embedding 模型
- 垂直领域微调模型
- 长短文本适配
3.3 相似度计算
- 余弦相似度
- 内积
- 欧氏距离
4 级：召回检索（Retrieval）
4.1 检索类型
- 稀疏检索（关键词匹配）
- BM25
- TF-IDF
- 稠密检索（向量检索）
- 基于 Embedding 的语义匹配
- 混合检索（最常用）
- 稀疏 + 稠密多路召回
4.2 向量检索核心
- 近似最近邻搜索（ANN）
- 暴力检索 vs 近似检索
4.3 主流索引结构
- HNSW
- IVF
- PQ 量化
4.4 向量库/工具
- FAISS
- Milvus / Qdrant / Chroma 等
4.5 召回参数
- topK 召回数量
- 召回策略
5 级：重排序（Rerank）
5.1 为什么需要 Rerank
- 召回粗排 → 重排精排
- 提升相关性与答案质量
5.2 重排序模型
- Cross-Encoder 交叉编码器
- 双向语义匹配
5.3 重排流程
- 召回结果输入 → 打分排序 → 取 topN
5.4 评估指标
- MRR
- Recall@k
- Precision@k
- NDCG
6 级：RAG 优化与工程落地（面试加分项）
6.1 检索效果优化
- 分块策略优化
- 向量模型微调
- 多路召回融合
- 重排序阈值调整
6.2 常见问题解决
- 检索不相关
- 语义漂移
- 长文档丢失信息
- 关键词漏召回
6.3 系统性能
- 检索速度
- 并发能力
- 内存/索引大小
7 级：RAG 评估（面试官必问）
7.1 离线评估
- 召回率、精确率
- MRR、NDCG
7.2 在线评估
- 答案准确率
- hallucination 减少程度
- 用户满意度
8 级：进阶方向（拔高用）
8.1 知识图谱 + RAG（GraphRAG）
8.2 多轮对话 RAG
8.3 自适应检索 / 动态召回
8.4 RAG + 微调
如果你需要，我可以把每一级整理成「面试必背 3 句话」，你直接背就能应对 90% RAG 检索面试。
