🟢 入门题
E1. 为什么 RAG 不能只看最终回答？
参考答案
最终回答混合了检索、上下文组装、prompt 和模型能力。只看答案无法归因。应该先看检索命中，再看引用和生成质量。
E2. chunk 太大和太小分别有什么问题？
参考答案
太大：噪声多、token 浪费、重排困难。太小：语义断裂、引用不完整、答案缺上下文。
E3. metadata 最少要有哪些字段？
参考答案
source/title/chunk_index/updated_at/section_path。企业场景还要 tenant/acl/lang/doc_id。
🟡 进阶题
A1. 设计一个 RAG 评测 JSONL
至少包含 question、expected_keywords、expected_sources、difficulty。
A2. Hybrid 检索解决什么问题？
参考答案
解决向量检索对精确词、错误码、函数名、型号等匹配不稳的问题。向量负责语义，关键词负责精确。
A3. 如何做无依据拒答？
参考答案
检索分数低、引用为空、上下文不含关键实体时触发拒答；prompt 明确“仅基于上下文回答”，并在后处理检查引用是否存在。
🔴 深度题
D1. 一个问题答错了，如何定位是哪一层错？
按顺序看：文档是否存在 → chunk 是否完整 → Top-K 是否召回 → rerank 是否保留 → prompt 是否约束 → 模型是否偏离。
D2. 你如何向面试官证明 RAG 被优化了？
准备一张表：baseline 命中率、优化后命中率、P95、平均 token、坏例数量，以及 2 个具体坏例复盘。