🧭 向量空间中的语义距离
🔴 红点 = 用户 Query 🟢 绿点 = 命中的文档 🔵 蓝点 = 未命中
🎯 面试速答：一句话讲清 RAG
Q：RAG 的完整流程是什么？
离线阶段把文档分块、向量化、存入向量库；在线阶段把用户提问向量化，在向量库中检索 Top-K
相似文档，可选重排，把检索结果拼进 Prompt 交给大模型生成答案。
Q：RAG 相比微调有什么优势？
知识更新快（改文档即可，无需重训）、成本低、可溯源（能给出引用来源）、减少幻觉。适合知识频繁变化的场景；微调适合改变模型风格和能力。
Q：如何提升 RAG 检索准确率？
① 分块策略优化（语义分块、重叠窗口）；② 混合检索（向量 + BM25 关键词）；③ 重排模型（Cross-Encoder
精排）；④ Query 改写/扩展；⑤ 元数据过滤。
Q：RAG 常见问题有哪些？
检索不到相关内容、检索到无关内容、上下文超长被截断、多跳推理失败、答案与检索内容矛盾。对应方案：Query
改写、重排、上下文压缩、多轮检索、引用约束。