# 1. Agentic RAG 把检索、改写和证据评估做成工具后，怎样限制循环、成本与非确定性 A 工具调用越多次答案越准确 B Agentic RAG 无需限制，模型会自动收敛 C 应设置步数与 Token 预算上限、检测查询循环、缓存工具调用结果，并用低温与结构化决策输出控制非确定性 ✓ 正确答案 D 非确定性只影响生成，不影响检索决策
# 2. LightRAG 在增量更新场景的价值是什么，选型时还需验证哪些数据和维护成本 A 图规模增长不影响查询延迟 B LightRAG 仍需全量重建才能更新 C LightRAG 不需要实体抽取 D LightRAG 支持增量图与索引更新，适合高频更新场景，但选型需用自有数据验证实体抽取质量、增量一致性与规模性能 ✓ 正确答案
# 3. Multi-hop RAG（多跳推理）应如何拆解为多次检索 + 工具调用，而非一次性塞入所有文档 A 多跳 RAG 应把问题拆解为子问题链，逐跳"检索+抽取+回答"，以控制上下文成本并保留可解释的证据链 ✓ 正确答案 B 多跳问题应把检索到的所有文档一次塞入上下文 C 多跳检索不需要限制步数 D 中间答案错误不会传导到最终答案
# 4. RAG 的“答案质量天花板”由什么决定（检索上限、重排质量、上下文整合） A 检索覆盖率构成第一天花板，重排决定证据命中，上下文整合决定利用效率，应自底向上诊断与优化 ✓ 正确答案 B 重排可以弥补检索的全部缺陷 C 答案质量只由生成模型决定 D 上下文越长答案一定越好
# 5. 如何用小模型做 RAG 的初筛（粗召回），大模型只做精排，以降低端到端成本 A 可用小模型做向量与粗召回、中模型重排、大模型只做最终生成，大幅降本并配合质量验证与升级兜底 ✓ 正确答案 B 全链路都应使用最大的模型以保证质量 C 重排必须使用最大参数模型 D 粗召回用大模型效果一定更好且更便宜
# 6. RAG 检索中负样本（不应被检索到的文档）的挖掘方法有哪些，如何让评估更贴近真实困难 A 评估集只需要随机负样本即可反映真实效果 B 负样本只用于训练，与评估无关 C 应通过硬负挖掘、跨查询挖掘与模型生成负样本构造难负样本，并按比例混入评估集分层报告，让指标贴近真实困难 ✓ 正确答案 D 假阳性负样本不存在
# 7. GraphRAG（知识图谱 + 社区摘要）与向量 RAG 各自的适用边界是什么，多跳关系推理与事实查证场景如何决定是否值得引入图谱构建成本 A GraphRAG 在所有场景上都优于向量 RAG B 向量 RAG 擅长语义相似检索，GraphRAG 擅长多跳关系与全局主题，应根据查询分布统计与 PoC 成本验证决定是否引入图谱 ✓ 正确答案 C 图谱构建成本与文档量无关 D 关系型查询用向量检索即可解决
# 8. 对话式 RAG 中多轮指代消解（它、上面那个）与查询改写的状态应如何管理，改写后的查询偏离原意图时如何发现 A 多轮对话只需把用户输入原样检索 B 指代不明确时应猜测最可能的对象 C 改写永远比原查询更准确 D 应维护会话状态进行指代消解与改写，并通过语义相似度、改写置信度与结果对比检测偏离，偏离时回退或澄清 ✓ 正确答案
# 9. 多跳问题需要多次检索时，如何让查询重写、证据合并和停止条件可解释且避免错误逐步放大 A 多跳检索的错误无法定位，只能重跑 B 停止条件越宽松越好 C 每跳应输出结构化决策轨迹与证据链，定义显式停止条件，并用置信度门控与断言校验防止错误级联放大 ✓ 正确答案 D 冲突证据应强制合并成单一结论
# 10. RAG 与 Agent 结合时，检索器应作为固定节点还是可调用工具，怎样控制模型绕过证据直接回答 A 检索器固定或工具化取决于确定性与成本需求，都需用提示约束、生成后证据校验与强制检索兜底控制模型绕过证据 ✓ 正确答案 B 证据进上下文后模型一定会使用 C 生成后校验没有必要 D 工具化检索器下模型可以自由发挥，无需检索
# 11. 跨语言知识库中中文问题、英文文档和代码片段的 Embedding 选择如何用 MTEB 子集验证 A 看 MTEB 综合排名即可完成跨语言选型 B 应按业务组合选取 MTEB 跨语言检索与代码检索子集做初筛，再用自有跨语言标注样本做最终决策 ✓ 正确答案 C MTEB 子集能覆盖所有私有领域术语 D 代码检索能力与自然语言检索能力完全等同
# 12. 增量索引、删除标记和 Embedding 版本迁移如何保证检索结果不混入过期内容 A 增量索引配合版本号与墓碑、迁移期双索引隔离、检索侧版本与新鲜度复核，才能保证不混入过期内容 ✓ 正确答案 B Embedding 迁移期间新旧向量可以直接混合检索 C 删除标记只用于日志记录 D 墓碑数据无需在段合并时清理
# 13. 如何将表格、图片和 PDF 布局信息转成多模态 RAG 可用的证据，并保留页码和区域坐标 A 图片只需要保存原始图像即可参与检索 B 应用版面分析还原表格与图片结构、OCR 与 caption 文本化、向量化，并保留页码与区域坐标支撑精确引用 ✓ 正确答案 C 表格无法转成文本参与检索 D 页码元数据对引用没有价值
# 14. GraphRAG 与向量检索混合使用时，两路结果如何融合与去重，防止证据重复计数与引用混乱 A 两路证据可以各自独立引用，无需去重 B 图证据不需要来源文档 C 同一事实在两路重复出现是正常且可接受的 D 应通过实体到来源块的映射归一证据 ID，分权融合两路结果，去重后统一生成引用映射表，防止重复计数与引用混乱 ✓ 正确答案
# 15. 查询改写质量应如何评估（约束保留、指代还原正确率），改写失败或置信不足时如何回退到原始查询 A 改写质量无法量化评估 B 改写失败后无需回退 C 应从约束保留、指代还原与意图保持三维评估改写质量，检测到低置信或约束丢失时回退原始查询并双路融合兜底 ✓ 正确答案 D 指代还原错误不影响改写质量
# 16. 企业知识库需要跨租户共享公共文档时，检索过滤器与答案引用怎样同时保证权限一致性 A 公共文档对所有人可见，无需 ACL B 引用可以指向用户不可见的文档 C 越权引用无需审计 D 应按"公共池+租户池"展开可见性过滤，引用编号只允许来自可见候选集，并在引用展示与跳转时复核权限 ✓ 正确答案
# 17. 如何在有限上下文预算内对证据去重、排序、裁剪，并保留来源与原文位置 A 上下文预算内可以容纳所有检索结果 B 应在预算内先去重再排序再裁剪，裁剪时保留原文位置指针，并用证据可支撑率验证裁剪损失 ✓ 正确答案 C 裁剪后无需保留原文位置 D 去重应该在裁剪之后进行
# 18. 检索为空、证据冲突或置信度不足时，系统怎样明确“无法回答”并提供后续路径 A 检索为空时模型应尽力编造一个答案 B 拒答率高说明系统可靠，无需调优 C 检索为空、冲突或低置信时应明确拒答并说明原因，按知识缺口、澄清追问、转人工等路径分流，并用拒答样本闭环评估 ✓ 正确答案 D 拒答原因不需要告诉用户
# 19. 如何验证每个答案断言都被可访问引用支持，避免“有引用但不支持结论” A 应做断言-引用对齐校验与可访问性检查，强制引用来自候选集，校验失败时重生成或降级标注，并监控引用支持率 ✓ 正确答案 B 答案中出现引用编号即说明内容可信 C 引用编号可以由模型自由编造 D 引用内容与断言是否匹配无法自动检查
# 20. 检索阶段 ACL/RLS 过滤与生成阶段答案裁剪应如何分工，为什么“答案遮盖”不能替代检索前过滤 A 生成阶段遮盖可以完全替代检索前过滤 B 检索前 ACL/RLS 过滤管可见性、生成后遮盖管展示合规，遮盖不能替代过滤，因为越权内容已进入处理链路且不可靠 ✓ 正确答案 C 过滤只需要在检索后做一次 D 越权文档进入 prompt 也没有风险
# 21. 外部文档中的指令为何必须视为不可信数据，RAG Prompt 与工具权限如何联合抗注入 A 外部文档内容与系统指令同等可信 B 提示注入无法通过 Prompt 设计缓解 C 外部文档必须视为不可信数据，用结构隔离与指令过滤抗输入注入，用工具最小权限与调用校验防输出侧被操纵 ✓ 正确答案 D 只有用户输入才会注入，文档内容不会
# 22. 源过期、链接失效或多个版本并存时，引用 UI 和生成策略如何处理 A 应建立引用来源状态机（有效/过期/失效/被替代），生成时引用最新版本并降权过期内容，UI 展示状态徽标与替代路径 ✓ 正确答案 B 链接失效只需删除引用即可 C 多版本并存时无需标注版本 D 引用一旦生成就永远有效
# 23. 引用（citation）链接如何在 UI 层展示，弹窗、侧栏、原文跳转 A 所有产品都应只使用一种固定引用模式 B 弹窗适合快速验证、侧栏适合多源对比、原文跳转适合权威核对，可按场景组合并满足移动端与无障碍要求 ✓ 正确答案 C 引用编号无需与具体断言绑定 D 原文跳转应使用易变的临时 URL
# 24. 答案中事实（fact）与推理（reasoning）应如何视觉区分，避免用户把推理当成事实引用 A 推理内容与事实内容展示方式应完全一致 B 推理也可以挂引用冒充事实 C 应通过分区、样式差异与"模型推断"徽标区分事实与推理，推理不挂引用，生成侧结构化标注并联动渲染 ✓ 正确答案 D 用户天然能区分事实与推理
# 25. 引用方括号 [1]、脚注、悬浮提示三种 UI 模式对不同用户群的可访问性差异是什么 A 悬浮提示对所有用户都可达 B 引用编号无需对应具体断言 C 方括号适合直接定位、脚注适合即时对照、悬浮提示只对鼠标用户可达，必须提供键盘与移动端等价交互和无障碍标注 ✓ 正确答案 D 屏幕阅读器用户无需引用功能
# 26. 生成阶段把多源信息融合时，如何保留每条信息的来源可追溯（不混合不同文档的引用） A 融合时无需校验引用与实际内容的对应关系 B 一个句子可以挂多个来源的合并引用且无需区分 C 引用混淆不影响可信度 D 应做到句级甚至事实级引用绑定，用生成约束与句级对齐校验防止内容与来源不匹配，同义事实聚合、冲突信息分流 ✓ 正确答案
# 27. 当生成答案的部分内容来自外部知识、部分来自模型自身知识时，应如何标注来源比例 A 应用句级对齐判断每句来源，用句级标签或比例条展示，高合规场景弱化模型知识部分，并监控模型知识占比反哺检索 ✓ 正确答案 B 无需区分答案中资料与模型知识的来源 C 所有答案内容都默认来自资料 D 来源比例必须精确到小数点
# 28. 多来源事实冲突时，怎样展示出处、时间和不确定性而不是强行合并 A 冲突时模型可以任意裁决 B 多来源冲突时应取多数来源的说法作为唯一答案 C 应检测事实冲突并列呈现各来源说法，标注出处、时间与不确定性，避免强行合并制造虚假一致 ✓ 正确答案 D 新旧版本差异不算冲突，无需处理
# 29. 引用能否直接作为可信度指标？高引用数量是否反而说明模型在堆砌来源 A 引用数量越多，答案越可信 B 引用数量不能作为可信度指标，高引用可能是在堆砌装饰性引用，应考核引用支持率与断言-引用匹配度 ✓ 正确答案 C 每条断言挂的引用越多越好 D 引用装饰不影响可信度判断
# 30. 答案生成阶段如何在不破坏自然语言流畅性的前提下保留关键事实的引用编号 A 引用编号应放在关键事实的句末或分句末，只标注事实性断言，可用后处理自动插入以保持生成流畅性 ✓ 正确答案 B 满屏编号能提升可信度 C 引用编号位置不影响阅读体验 D 每个词后都应加引用编号
# 31. 为什么引用链接应指向文档原始位置而非处理后副本，链接稳定性（permalinks） A 引用应指向 RAG 处理后的内部副本 B 源系统 URL 永不变化 C 引用应指向源系统原始位置以保证权威与权限联动，并用稳定 ID、版本化与归档兜底保证 permalink 长期有效 ✓ 正确答案 D 副本与原始内容一定一致
# 32. 不同语言生成的答案引用应如何与原文对齐，跨语种引用能否避免被翻译破坏语义 A 翻译不会影响引用的准确性 B 翻译后的答案引用直接指向译文文本即可 C 跨语种引用应锚定原文句子、保留术语与编号原貌，用双语证据与跨语种对齐校验防止翻译破坏语义 ✓ 正确答案 D 中英句子边界完全一致
# 33. RAG 系统的“过度自信”现象（信心不足但仍给出确定答案）应如何被业务层校验并标记 A 模型语气确定说明答案一定正确 B 过度自信源于模型校准差与证据不足，应通过证据强度校验、多次采样一致性与关键事实核对进行业务层校验并分级标记 ✓ 正确答案 C 低置信场景应更坚定地给出答案 D 确定性措辞能弥补证据不足
# 34. RAG 优化的三大方向，查询端、检索端、生成端 A 只需优化生成端的提示词即可 B RAG 优化分查询端（改写路由）、检索端（分块混合重排）、生成端（约束引用拒答），应按故障归因优先优化瓶颈端并用评估集验证 ✓ 正确答案 C 三端优化没有先后顺序，随意进行 D 检索端优化对答案质量没有影响
# 35. 混合检索的融合权重如何用自有查询集调优 A 融合权重用默认值即可，无需调优 B 应用自有标注查询集做网格搜索，按查询类型分层验证权重，必要时用查询路由选择权重，并分离评估集防过拟合 ✓ 正确答案 C 权重越大效果越好 D 权重调优只需看单一总体指标
# 36. Agentic RAG 中“模型决定是否检索、检索什么、如何使用结果”如何控制递归深度与 Token 预算 A 模型自主决策无需任何限制 B 工具结果应完整返回，不能裁剪 C 轮数越多答案质量越高 D 应设置最大轮数与工具调用上限、检测循环与收敛、裁剪工具结果控制 Token 预算，超限时降级回答并监控终止原因 ✓ 正确答案
