面试追问 · RAG
面试官问完 RAG，
下一句会问什么？
你问 AI 一个问题，它给你三页废话——面试官会追着这个坑问到底。
RAG = 检索增强生成：先检索相关文档，再让模型基于检索结果回答。面试真题：“你搭的 RAG 回答不准，从哪开始排查？”——这一句的答案，90% 的人答不到第四层。
追问现场 · 面试真题
面试真题“你搭的 RAG 有时候回答不准，用户反馈答非所问。
你从哪开始排查？”
大多数人的第一反应：换个更强的模型试试——面试官一听就知道没真排查过。
90% 的情况不是模型的问题，是检索的问题。这一题的答案，要从四层往下排。
先说结论
RAG 答不准，先从检索排查，别碰模型。从上到下四层：chunk → 检索策略 → 数据质量 → 碎片自洽。前三层答到算及格，第四层才是拉开差距的地方。
检索层 · 行业方案
① chunk 切对了吗？固定 500 字一刀切，答案跨了 chunk 边界就“语义截肢”——检索回来的片段缺头少尾，看着对、用不上。修法：按语义边界切（段落/章节/条款），相邻块重叠 10-20%，每块保留元数据（来源文档/页码/段落）以便溯源。
② Top-K 和 rerank 对吗？K 太小，正确答案在第 K+1 位被丢掉；K 太大，噪声淹没信号。最相关的块排在第 8 位、没人给它重排序，模型就基于第 1 位的废话回答。修法：调 Top-K + 加 reranker 过滤。
③ 数据本身干净吗？文件脏、重复、过时（v1、v2、v2-final 全被索引，检索到旧版）。修法：清洗管线 + 定期重建索引——这部分是确定性工程，可以像普通软件一样写测试断言。
执行层 · 我们的增量
④ 碎片自洽陷阱。前三层全对，检索回来的片段组合起来，仍然可能“足够自洽但错误”——向量计算是底层原理，近似的错误组合绕不开。这才是最难的一层：不是检索做得不够好，是检索结果看着都对。
真实事故（事后回看）：我们的工作区曾出现一个乱码名的空壳引擎目录——某个执行者读到碎片化信息后，信息足够自洽、足以触发行动，它照抄了真实引擎的结构，“正确地”执行了，产出一个错误骨架。链条是：碎片自洽 → 触发行动 → 照抄结构 → 错误产物。每个环节都对，结果错了。
事后补的防御（避免重演）
① 分层——历史信息分类，可用内容标记可信源；② 冲突内容不以某个个体的判断为依据，以版本号 + 时间戳 + 上下块迭代信息再判断一轮。核心原则：碎片信息自洽 ≠ 可执行——执行前必须有验证点。
面试官想听什么
你会从第一层排查到第四层，不是只会说“换模型”——这是排查思路的完整度
你能讲 chunk 的 trade-off：语义切分 vs 固定长度、重叠窗口的存储代价、表格/代码块要当原子单元
你有真实踩坑 + 事后反思——2026 面试趋势就是筛“真正做过的人”，背八股扛不住连环追问
加分项：你说出“检索层防不住时，执行层要设验证点”+ 一个真实事故——行业答案极少覆盖执行层，这句直接拉开差距
可复制 · 救急段
面试官问 RAG 答不准从哪排查，别答“换模型”——90% 是检索问题。第一层看 chunk 切对没（按语义边界 + 重叠窗口），第二层看 Top-K 和 rerank，第三层看数据脏不脏。加分项：检索层防不住时执行层要设验证点——碎片信息自洽不等于可执行。
素材来源：真实面经/面试现场实采 · 案例为本工作区真实事故（事后回看）· 想进阶？看
渐进索引