面试题：AI全栈
AI 全栈工程师岗位相关的 AI 应用开发、Agent 工作流、模型接入和产品落地面试准备。
RAG 解决什么问题，哪些问题不适合靠检索增强生成解决？
RAG 把外部资料检索后放进模型上下文，用来回答模型训练数据之外或需要更新的知识；它不是事实正确性的自动保证。
RAG 与知识库AI全栈中频题
文档解析、清洗、切分、Embedding、向量存储和生成回答分别处于哪一步？
RAG 是离线索引链路与在线问答链路的组合，任何一层出错都可能表现为“模型回答不准”。
RAG 与知识库AI全栈中频题
文档切片大小、重叠长度和切分边界应怎样按内容类型选择？
切片应尽量保持一个可独立理解的语义单元，并在召回精度、上下文成本和引用完整性之间取平衡。
RAG 与知识库AI全栈中频题
向量检索、关键词检索和混合检索分别适合什么召回问题？
向量检索擅长语义相近，关键词检索擅长精确术语、编号和代码，混合检索通常更稳但需要融合与评测。
RAG 与知识库AI全栈中频题
余弦相似度、距离阈值、Top K 和重排序分别影响什么？
这些参数分别决定候选相似度、最低接受标准、候选数量和最终顺序，需要结合评测集调整。
RAG 与知识库AI全栈中频题
为什么“召回了相关片段”仍可能生成错误答案，如何定位召回问题和生成问题？
相关片段只是必要条件，不是充分条件；应分别检查证据是否支持结论、上下文是否被正确使用以及模型是否越过证据推断。
RAG 与知识库AI全栈中频题
文档更新、删除和权限变更怎样同步到索引，如何避免用户读到旧或无权内容？
索引必须有版本和删除语义，在线查询先做硬权限过滤；更新延迟期间要明确一致性策略，不要把向量库当成唯一事实来源。
RAG 与知识库AI全栈中频题
多租户知识库如何设计索引隔离、元数据过滤和权限校验？
多租户隔离要让错误查询即使被构造出来也无法越界，租户过滤应由可信身份和服务端策略生成并贯穿缓存、检索、引用和日志。
RAG 与知识库AI全栈中频题
RAG 的引用、页码和来源链接怎样生成并验证，避免出现“看似有引用”的幻觉？
引用必须来自实际召回的来源元数据，并验证结论与来源的对应关系；不能让模型自由编造 URL、页码或文档标题。
RAG 与知识库AI全栈中频题
什么时候应从 RAG 升级到知识图谱、关系库查询或专用搜索系统？
当问题需要精确关系、聚合计算、强一致状态或复杂过滤时，RAG 不应继续承担数据库和搜索引擎的职责。
RAG 与知识库AI全栈中频题