# 1. Hybrid Search（BM25 + Dense + Sparse SPLADE）的权重融合与重排序在主流 RAG 框架（LlamaIndex、Haystack、DSPy）的默认实现？ A 只能用加权线性融合，不能用 RRF B BM25 与稠密向量效果完全相同，无需融合 C 混合检索不需要重排序 D 主流框架默认多用 RRF 融合（免调参鲁棒），召回后再用 Reranker 精排，加权融合适合有调优预算的场景 ✓ 正确答案
# 2. Agentic RAG（具备工具调用能力的 RAG），多轮检索、查询改写、子问题分解在生产中的稳定性 vs 传统 Naive RAG 的提升幅度？ A Agentic RAG 必然全面优于 Naive RAG B Agentic RAG 无需任何步骤控制 C Agentic RAG 在复杂多跳问题上提升明显但引入不确定性，应做 Naive 兜底 + Agentic 增强的分层并加控制 ✓ 正确答案 D Naive RAG 无法处理所有问题，而 Agentic RAG 无失败点
# 3. RAG 的评测闭环，离线（检索/生成指标）与在线（用户反馈/采纳率）如何联动，幻觉如何量化？ A 应离线诊断检索/生成指标、在线验证用户反馈与采纳率，并用忠实度与引用真实性量化幻觉，形成闭环 ✓ 正确答案 B 只需看离线指标即可 C 幻觉无法量化，只能靠怀疑 D 在线指标与离线指标互相独立，无需联动
# 4. GraphRAG 与 LightRAG 的工程取舍，实体关系抽取成本、查询延迟、答案质量在企业知识图谱场景的真实表现？ A GraphRAG 永远优于向量 RAG B GraphRAG 擅长跨文档全局关联但抽取成本与延迟高，LightRAG 是轻量权衡，应按关系复杂度与成本延迟取舍 ✓ 正确答案 C 图谱构建无成本 D 向量 RAG 也适合复杂关系推理
# 5. Reranker 模型（BGE-Reranker、Cohere Rerank 3.5、Jina Reranker）的部署成本与延迟，服务端 vs 客户端 vs API 调用的取舍？ A 服务端自部署、客户端、API 三种方式在成本/延迟/隐私/能力上各有取舍，应按延迟 SLA、吞吐、隐私与成本选择 ✓ 正确答案 B 自部署 Reranker 永远最佳 C API 调用延迟最低且无网络开销 D 客户端 reranker 能力最强
# 6. RAG 的查询理解，Query Rewriting、HyDE、多查询融合在复杂问题下的召回提升与成本？ A Query Rewriting、HyDE、多查询融合都能提升复杂问题召回但增加成本，应按"召回提升/成本"取舍，简单问题用原生查询 ✓ 正确答案 B Query Rewriting 无成本 C HyDE 不会引入幻觉 D 多查询融合不增加 token 消耗
# 7. 知识更新与索引生命周期，增量索引、文档过期、版本回滚与缓存失效如何设计？ A 应做增量索引、文档过期与墓碑、版本回滚和缓存失效，配合版本号管理文档生命周期 ✓ 正确答案 B 每次更新都重建全量索引最稳妥 C 过期文档无需处理，检索会自动排除 D 缓存无需失效，永远用旧缓存即可
# 8. RAG 的检索质量，分块、嵌入与重排的协同？ A 分块越大越好，保证上下文完整 B 嵌入与分块无关，可独立优化 C 分块决定召回上限、嵌入决定召回质量、重排决定排序精度，应在同一评测集上联合调优 ✓ 正确答案 D 有了重排，分块和嵌入就无所谓了
# 9. Self-RAG/CRAG（纠正式 RAG），检索质量自评（relevance grading）、检索不足时的纠正路径与引用生成？ A 检索结果无需评估，直接使用 B 应通过相关性评分自评检索质量，检索不足时重写/扩大检索或拒答，并生成带引用的答案 ✓ 正确答案 C 检索不足时继续硬答即可 D 引用生成会降低答案质量，应去掉
# 10. 多模态 RAG（PDF/Image/Chart/Table）的统一处理，ColPali/ColQwen 视觉检索与文本检索的工程边界？ A 一律用视觉检索即可 B 文本检索无法处理任何表格 C OCR 可完美替代视觉检索，无需视觉模型 D 视觉检索适合图表/扫描件/复杂版面，文本检索适合纯文字，应按文档类型路由并混合使用 ✓ 正确答案
# 11. 企业级 RAG 的权限与安全，文档级 ACL、租户隔离、检索过滤与内容脱敏如何落地？ A 生成后再检查权限即可 B 应通过文档级 ACL、租户隔离与检索前过滤实现权限前置，并配合脱敏与审计 ✓ 正确答案 C 所有用户都能看到所有文档 D 租户间数据可共享
# 12. RAG 的更新，增量索引、知识过期与删除墓碑如何治理 A 删除文档后无需任何处理 B 应做增量索引、为文档设过期、用墓碑处理删除，并统一管理文档生命周期与缓存清理 ✓ 正确答案 C 索引永不更新，保持原始即可 D 墓碑只影响检索，不影响缓存
# 13. RAG 的评测，检索指标与生成指标如何联合成端到端评分，异常如何归因 A 应把检索命中与生成正确联合成端到端评分，用交叉分析区分检索失败与生成失败并归因到具体环节 ✓ 正确答案 B 只看生成指标即可 C 检索失败与生成失败无需区分 D 端到端评分只反映生成质量
# 14. RAG 的成本，索引规模、检索延迟与向量存储成本如何随数据量增长优化 A 数据量增长不影响成本 B 检索延迟只由模型决定，与数据量无关 C 向量存储成本与数据量无关 D 应通过量化降存储、ANN 索引与分层检索降延迟、缓存复用降成本，并权衡召回质量与延迟成本 ✓ 正确答案
# 15. Agentic RAG，多步检索与工具调用？ A Agentic RAG 与普通 RAG 完全相同 B 工具调用会破坏 RAG 的准确性 C Agentic RAG 只能做一次检索 D Agentic RAG 让模型按需决策检索与工具调用，应对复杂问题效果更好，但需加步数上限与降级控制 ✓ 正确答案
# 16. RAG 的混合检索，稀疏与稠密融合（RRF/加权）的参数如何调优与回归 A RRF 必须调参才有效 B 融合参数与语料无关，无需回归 C RRF 免调参鲁棒、加权融合需在标定集上调优，并固定评测集与版本做回归防止退化 ✓ 正确答案 D 权重调一次即可，永久有效
# 17. RAG 的用户反馈闭环，无答案/低质量反馈如何回流到分块、检索与 Prompt 优化？ A 用户反馈无需处理 B 应采集无答案/低质量反馈并归因到分块/检索/生成环节，回流优化并沉淀成难题集扩充评测集 ✓ 正确答案 C 所有问题都归因到 Prompt 即可 D 反馈样本无法用于评测
