RAG 与检索系统：从 chunk 设计到多路召回

RAG 是 Agent 系统的“外部知识接口”。面试官考 RAG 时不想听“向量数据库”四个字——他想知道的是离线怎么切片、在线怎么召回、召回后怎么排序，以及面对复杂查询时怎么做改写和意图识别。

---

本篇目录

• 检索基础与原理
• 检索算法与微调
• RAG 在 Agent 中的角色
• 召回与排序优化
• 知识库与索引工程
• Q：RAG 召回数据层应如何设计文档、Chunk、Embedding、版本和权限 Schema？
• Q：Coding Agent 应从代码反向理解领域知识，还是维护独立知识库/规则库？
• 进阶检索架构
• Q：RAG 过程中如何处理文件里的图片？
• Q：如何避免模型回复过度依赖检索到的外部知识，导致回答生硬、缺乏共情能力和自然度？
• Q：随着大模型上下文窗口持续扩容（100K→1M+），传统 RAG 技术是否会被完全替代？
• ES 切换向量检索的能力变化
• 语义切分与文档聚类
• Q：RAG 文档切分中遇到代码块、表格、标题等特殊内容怎么处理？
• Q：处理一万个长文档构建 RAG 知识库，工程上怎么做？
• Q：混合检索到底在哪个环节比单独用效果好？
• Q：知识图谱如何从文档构建、增量维护，并处理实体与关系冲突？
• Q：MMR 为什么还能提高效果？重排后为什么还要设置 MMR 截断？
• Q：基于关键词的命令行代码搜索与基于 Embedding/RAG 的代码搜索，各有什么优缺点？
• Q：知识库持续更新时，如何保证一次 RAG 回答读取同一逻辑快照？
• Q：如何设计支持版本过滤和时间旅行查询的向量索引？
• Q：RAG 如何防止引用漂移和跨版本证据拼接？
• Q：RAG 前端如何展示长文档，并让引用稳定跳转到原文证据？
• 这类题的答题模式