离谱的群核春招（已被感谢）

今天老师为大家梳理了10道RAG大模型必备面试题，供各位同学参考。1️⃣Q1：如何评估RAG生成结果的质量？A1：① 事实准确性（Factual Accuracy）：对比标准答案；② 引用精确度（Citation Precision）：生成内容与引用文档的相关性；③ ROUGE/L等自动指标（需谨慎，可能与事实性脱钩）。2️⃣Q2：如何优化检索的召回率（Recall）？A2：① 使用Query扩展（同义词替换/LLM改写）；② 多向量表示（HyDE生成假设文档再检索）；③ 调整分块策略（重叠分块/多粒度分块）。3️⃣Q3：RAG如何处理多文档冲突信息？A3：①  让LLM总结共识点并标注分歧（提示词控制）；② 按文档来源权威性加权（如医学指南>普通文章）；  ③ 返回多视角答案（需明确说明冲突存在）。4️⃣Q4：如何解决“检索偏好”问题（Retrieval Bias）？A4：当检索结果质量差时强制生成会导致错误。解决方案：① 训练检索评估模块过滤低质结果；② 引入回退机制（如返回“无答案”）；③ 迭代检索（Re-Rank或多轮检索）。5️⃣Q5：如何优化长文档检索效果？A5：① Small-to-Big检索：先检索小分块，再关联其所属大文档；② 层次检索：先定位章节，再章节内分块检索；③ 图结构：用知识图谱关联文档片段。6️⃣Q6：解释HyDE（Hypothetical Document Embeddings）原理？A6：让LLM根据Query生成假设性答案，将其作为“伪文档”嵌入向量，再用该向量检索真实文档。解决Query与文档表述差异问题。7️⃣Q7：什么是迭代检索（Iterative Retrieval）？A7：多轮检索：首轮检索结果输入LLM生成初步答案，再以该答案为新Query二次检索，循环直到满足条件。适合复杂推理场景。8️⃣Q8：Self-RAG的核心创新点是什么？A8：引入可学习检索信号：模型自主决定何时检索（Retrieve on Demand），并生成特殊Token（如[Retrieval]、[No Retrieval]）控制流程。9️⃣Q9：RAG如何适配实时更新知识库A9：① 检索器使用近实时索引（如Elasticsearch增量更新）；② 生成器无需重训，但需监控新数据分布偏移。1️⃣0️⃣Q10：用户查询“2025年诺贝尔奖获得者”，但知识库只更新到2024年，RAG如何应对？A10：设计策略：① 检索器返回最新文档（2024年）；② 生成器明确回答“截至2024年数据，最新获得者为XX，2025年结果尚未公布”；③ 添加时间敏感性警告。🍊如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

无手撕狠狠拷打项目1.你刚说导出导入数据，如果是你来进行导出导出，你会怎么做(公司用的开源组件mydumper开了四个线程去做的，我答分片多线程导入导出 面试官回 实际是不用多线程的 😭 可是公司项目确实用的多线程,不知道怎么答)2.主库从库延迟通常发生在什么场景下 (答：网络延迟，主库数据插入过多从库跟不上同步，主库挂掉 感觉还是没答到点上，不懂到底想要什么答案)3.mysql的隔离级别4.脏读，不可重复读，幻读讲一下5.未来规划确实有点压力，但不多 回答的很多没答到面试官想要的点,收货还是有的

1.介绍一下简历上的两个项目2.如何实现的微信鉴权和支付宝支付？3.定时轮询的时间长度？4.如何实现的支付信息，立刻返回结果？5.讲一下订单支付和支付回调的函数。6.项目里边的docker是如何使用的？是如何配置使用的？7.讲一下你对docker的理解，docker和虚拟机的区别8.项目中Redis的运用，BitMap的底层原理9.服务降级，切量是如何实现的？10.讲下缓存雪崩是什么？如何预防11.项目里的磁盘数据库MySQL保存了什么？12.讲下MySQL的索引。13.为什么用B+树而不是B树？14.讲一下查询的过程15.B+树的叶子节点数据结构？16.讲一下操作系统虚拟内存17.实现这个虚拟内存有什么换页的算法？页的置换算法？18.讲一下LRU19.详细的讲一下TCP三次握手和四次挥手过程手撕算法，最近公共祖先|已挂

首先这个打杂的定义是啥，应该很多人都没有一个明确的定义，切勿跟风，人云亦云。其次，实习本身不是正式，也不一定留下，这个性质就决定了高度。人有亲疏，公司也是，信任是需要长期建立起来的，能力也是需要逐步培养起来的。心比天高，但是着眼当下吧。