2. RAG基础原理高频面试题

RAG基础原理是金融RAG工程师面试的“必答题区”。面试官并不满足于你背出“检索+生成”四个字，而是要通过这一组问题判断三件事：你是否真正理解链路中每一环的输入输出与失败模式，你是否能把原理映射到金融场景的合规与准确率要求，以及你是否清楚不同公司对RAG链路的侧重点差异。本章围绕检索增强生成流程、向量检索、重排序、生成融合与公司侧重点五个高频方向展开，帮你把“知道”升级为“讲得清、答得深、接得住追问”。

一、核心原理：RAG不是“检索+生成”的简单拼接

面试官问“请介绍RAG流程”，真正想听的是你对链路的拆解能力。标准回答应覆盖五个阶段：查询理解、检索召回、重排序、上下文组装、生成融合。查询理解阶段要做意图识别、实体抽取、时间范围解析与查询改写；检索召回阶段通常采用向量检索与关键词检索的混合策略；重排序阶段用交叉编码器或LLM对候选做精排；上下文组装要处理截断、去重、引用标注与权限过滤；生成融合则要求模型基于证据回答，并给出引用或拒答。

金融场景的特殊性在于：准确率优先于流畅度，可追溯优先于覆盖度。因此回答时要主动提到“引用溯源”“时效校验”“敏感信息过滤”三个约束，这会让面试官认为你具备业务意识，而不是只会调API。

二、方法流程：向量检索、重排序与生成融合的关键细节

向量检索的高频追问集中在“怎么选模型、怎么切分、怎么评估”。回答框架是：先讲嵌入模型选择（中文金融语料微调优于通用模型），再讲切分策略（按语义段落而非固定长度），最后讲索引与召回参数。可以用一段配置示例说明你的工程习惯：

# 典型向量检索配置示例
embedding_model: bge-large-zh-finance
chunk_size: 512
chunk_overlap: 64
index_type: HNSW
top_k: 20
metric: cosine
hybrid: true
bm25_weight: 0.3
vector_weight: 0.7

重排序是区分初级与中级候选人的分水岭。向量检索解决“快而粗”，重排序解决“准而精”。面试官常问“为什么不能只用向量检索”，你要回答：向量模型对长文本和细粒度语义匹配存在偏差，而交叉编码器能同时编码查询与文档，显著提升Top结果的相关性。金融场景中，重排序还要加入时效权重、来源权威度、合规等级等业务特征。

生成融合阶段的核心是“证据约束”。常见做法包括：在Prompt中要求模型仅基于给定上下文回答；对无证据问题输出“根据现有资料无法确认”；对数字、日期、条款等关键信息强制引用来源。可以用一个简短的Prompt模板说明：

你是一名金融合规助手。请仅根据以下检索到的资料回答问题。
若资料不足以支撑结论，请明确说明“无法确认”，不得编造。
回答末尾列出引用来源编号。
资料：
{context}
问题：{question}

三、案例/场景：金融RAG的典型落地链路

以“基金产品问答”为例，用户问“某基金近一年最大回撤是多少”。链路如下：查询理解识别产品名与时间范围；混合检索从产品文档、定期报告、风控系统中召回候选；重排序按来源权威度与时效性精排；上下文组装过滤无权限内容并标注引用；生成融合输出数值并附报告页码。若检索结果为空或冲突，系统应触发拒答或转人工，而不是让模型“猜”。

四、误区/复盘：公司侧重点与回答避坑

不同公司对RAG链路的侧重点差异明显。大厂平台型团队更关注检索性能与工程可扩展性，会追问索引规模、延迟、并发与缓存；金融业务团队更关注合规、可追溯与拒答，会追问权限模型、审计日志与引用粒度；创业公司则更关注端到端效果与迭代速度，会追问你怎么用最少资源把准确率做上去。回答时要先判断面试官所属团队，再调整侧重点。

最后提醒：RAG基础原理题看似简单，实则是面试官验证你工程思维与业务理解的入口。把每个环节的输入输出、失败模式与金融约束讲清楚，你就已经超过大多数只会背概念的候选人。