#模块六：RAG、检索、重排与知识增强知识点

• Q61 什么是 RAG，为什么它能缓解幻觉？：知识点包括外部检索补知识；生成受证据约束；缓解参数知识不足但不能自动消灭幻觉。
• Q62 标准 RAG pipeline 包含哪些环节？：知识点包括采集、清洗、切块、表征、索引、召回、重排、拼接、生成、评测。
• Q63 embedding model 在 RAG 中的作用是什么？：知识点包括把 query/doc 映射到向量空间；决定召回语义匹配质量；领域 embedding 很关键。
• Q64 chunk size 和 overlap 如何影响召回质量？：知识点包括块太小语义断裂；块太大噪声太多；overlap 保留跨句证据但会增加冗余。
• Q65 什么是 hybrid retrieval？：知识点包括稀疏检索 + 稠密检索；关键词精确匹配与语义匹配结合；召回覆盖更稳。
• Q66 reranker 和 retriever 有什么不同？：知识点包括 retriever 做粗召回；reranker 做精排序；前者追求速度和 recall，后者追求 precision。
• Q67 你做过的 RAG 为什么效果不好？：知识点包括按链路分层定位：切块、召回、重排、上下文拼装、生成利用；不要只说“模型不行”。
• Q68 为什么不是所有知识注入问题都应该用 RAG？：知识点包括高频稳定行为更适合微调；RAG 有检索成本、延迟和引用依赖；不是所有任务都需要外部知识。
• Q69 百万文档知识库如何做索引、召回、重排和增量更新？：知识点包括分层索引、分桶、异步更新、向量库维护、冷热数据、重排成本控制。
• Q70 GraphRAG 解决的是什么问题？：知识点包括实体关系和多跳推理；普通向量检索对结构化关系建模弱；图结构适合复杂知识依赖。
• Q71 Lost in the Middle 在 RAG 中怎么缓解？：知识点包括重排、证据摘要、分段回答、关键证据前置；不是单纯加长上下文。
• Q72 如何评估 RAG，不只是看最终答案对不对？：知识点包括 retrieval recall、rerank 质量、citation faithfulness、answer correctness、线上用户反馈。