本篇属于 智能体面试与工程基础 系列。
A17｜P0：从文档进入系统讲完整RAG流程
口述： 离线做解析、清洗、版本与权限标记、切片、embedding和索引；在线鉴权、理解查询、检索、融合/重排、证据组装、生成与引用检查。文档删除和更新要同步索引，日志应定位失败发生在解析、召回还是生成。
追问： PDF表格解析错了，后面换embedding能解决吗？
Naive RAG 的边界： 一次检索后直接生成，容易受切片断裂、查询歧义、单一路径漏召回和无关上下文影响，也可能缺少证据不足时的退出策略。先定位实际失败，再增加改写、多路召回或验证环节，避免每次请求都无条件跑完整复杂链路。
A18｜P0：chunk_size与overlap怎样定？
口述： 按文档结构、答案跨度、embedding与生成模型限制设计，先尊重标题、段落、表格与代码边界，再控制长度。overlap缓解边界丢失但增加重复；用代表性问题比较召回和端到端质量，不背固定数值。具体splitter计数单位需查实现，不能默认是token。
追问： 跨两段的答案、长表格、跨函数引用分别怎么处理？
A19｜P0：Query Rewrite为什么会出错？
口述： 它可补全上下文指代或展开术语，但可能篡改实体、否定条件、时间和用户意图。保留原query及关键约束，必要时原query和改写query同时检索，再比较结果；信息不足先澄清。
追问： 用户说“不要最新版本”，改写后丢掉“不”如何发现？
A20｜P0：BM25、Dense、混合召回与Rerank如何分工？
口述： 关键词检索适合精确术语、编号和罕见词，稠密检索补充语义匹配；混合是否有效要实测。可用排名融合避免直接相加不可比分数。重排对候选做更细的相关性判断，但不能找回初次召回遗漏的文档。
追问： Recall@K低应该先改召回还是重排？融合权重在哪里验证？
A21｜P1：embedding、向量库与相似度如何选？
口述： 用自己的语言、领域和查询集比较质量、索引体积、延迟、过滤能力和维护成本。相似度要匹配模型训练与归一化约定；对单位向量，平方欧氏距离等于2减2倍余弦相似度，排序等价。换embedding通常需要处理索引重建与版本切换。
追问： 已归一化与未归一化混存，会发生什么？
A22｜P0：召回不到时怎么办？
口述： 先确认文档存在、权限过滤正确、解析切片与索引版本有效，再检查查询和召回参数。证据不足时返回限制或澄清，不让模型虚构。必要时扩大候选或补充检索，但受预算约束。
追问： 如何区分知识库确实没有与检索系统漏召回？
低召回排查顺序： 固定一组漏召回问题及应命中的证据，依次检查文档是否入库、切片是否保留答案、权限/版本过滤是否正确、关键词与向量候选各漏了什么。检索近邻参数、Top-K、改写与多查询分别做对照；重排只能重排已有候选。改进后同时检查 Recall@K、端到端正确率、上下文噪声和延迟，不能只报告召回提升。
A23｜P0：RAG文档隔离怎么做？
口述： 在数据、检索过滤、缓存键和返回校验中保留tenant/user/ACL信息，权限来自服务端身份。先过滤再选择可见结果，并验证底层索引的过滤语义。不能只在prompt里写“不要泄露”。
追问： 文档撤权后，向量缓存和答案缓存如何失效？
A24｜P1：Agentic RAG、图检索与Code-RAG何时需要？
口述： 多轮检索路径依赖反馈时可让Agent控制查询；图适合显式关系遍历，代码检索可结合符号、AST、依赖和文本。先图后向量或先向量后图由问题决定，保留节点/片段来源；不为图而建图。Elasticsearch也可支持向量能力，不应将其绝对限定为关键词组件。
追问： 固定两跳SQL能解决的关系查询，为什么需要Agent？
A45｜P1：Query Rewrite、Multi-Query 与 HyDE 如何选？
| 方法 | 做什么 | 主要风险 |
|---|---|---|
| Query Rewrite | 消解指代、补足检索表达 | 改错实体、时间或否定条件 |
| Multi-Query | 从多个表达或子问题召回，再去重融合 | 请求成本增加，偏离意图的候选变多 |
| HyDE | 生成假设文档，编码后检索真实文档 | 假设文档带入错误概念，检索方向偏移 |
口述： HyDE 的中间文本可以包含不真实细节，作用是形成检索表示，不是可引用证据。最终回答仍以真实检索文档为依据。它不是“先让模型回答，再把回答当知识”。HyDE 原论文
选择方法： 短查询表述不足先尝试保守改写；多方面问题可拆解后多路检索；领域表述差距明显时实验 HyDE。保留原查询通道，用去重和排名融合控制候选规模，设置检索次数与token预算。
追问： 命中率上升但答案质量下降，是否因为候选更嘈杂、关键证据被挤出上下文？
A46｜P1：Self-RAG 与 Corrective RAG 有什么区别？
口述： Self-RAG 在原论文中通过训练引入反思标记，让模型学习判断是否检索，并对相关性、支持性和输出效用等进行评估；不能把通用模型的一句“请反思”当成复现原方法。CRAG 引入检索质量评估，根据置信情况选择纠正策略，包括利用外部搜索补充，以及知识精炼。Self-RAG · CRAG
可实践的控制流程： 检索→检查问题关键条件是否有证据→充分则生成并检查引用，不充分则有界改写/补充检索→仍不足则澄清或说明限制。这是受启发的工程设计，应与论文的训练和推理机制区分。
验收： 相关性评估器同样会错，需要标注样本校准，并统计漏判、误触发检索、额外成本和最终任务成功率。设置最大重检索次数；“模型决定继续检索”不是无限循环的理由。
