开云集致 AI应用开发一面:RAG 文档溯源、版本管理与 Excel 解析
- 轮次
- 一面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
- 用户想要更精准的文档,比如你检索出来的 chunk,有没有返回原始文档,即标明每个 chunk 出处,保证用户的可信度,具体怎么做的?
- 文档怎么做多版本管理的?
- 文档更新时你怎么删除旧的向量?
- 比如向量库中有 mysql 相关的文档,用户就问一个 mysql,怎么办?
- 你们的向量数据库中有哪些字段?
- 如何提高 RAG 的召回率 context Recall?
- 你们对 Excel 的处理方式是什么?
- 为什么不把 Excel 每一行都向量化?
- 处理 Excel 时遇到合并单元格怎么办?
- 你们的 embedding 模型是什么,llm 是什么,检索模型是什么?
《参考解析》
chunk 出处追溯:关键是让每条 chunk 自带可回查的元数据,而不是只存一段文本。写入时给 chunk 记上 doc_id、文档标题、版本号、页码或 sheet 名与行号范围、chunk_index、原文存储地址;检索命中后把这些字段一起返回,前端渲染成可点击的引用卡片,跳到原文对应位置。生成侧则给每个 chunk 编号,在 prompt 里限定模型只能引用给定编号,答案中标注 [1][2],用户点开即可核对。原文被更新时靠版本号回查历史快照,保证引用不会指向已被改写的正文。
多版本管理与旧向量删除:文档按 doc_id + version 组织,原始文件按版本存对象存储,chunk 用确定性 id(doc_id + version + chunk_index 或内容哈希),写入用 upsert 而非纯 insert,重复解析不会产生脏数据。删除优先用向量库的按元数据过滤删除(如 delete where doc_id = x and version != current),pgvector、Milvus、Qdrant 都支持;更稳的做法是给 chunk 加 status 字段,新版本写入完成后再把旧版本置为 inactive,检索只查 active,避免删除与写入之间的空窗期导致检索不到内容。
向量库字段设计:一般分三类——向量本身(dense embedding,必要时加稀疏向量做混合检索)、原文与定位信息(content、doc_id、doc_title、source_url、version、page、chunk_index)、以及用于过滤和治理的标量字段(租户或部门等权限字段、文档类型、status、created_at)。标量字段要建索引,权限过滤必须在检索阶段做而不是召回后再筛,否则会漏召回或泄露无权限内容。
提高 Context Recall:召回率是”该找到的有没有进候选”,所以先扩候选再谈精排。常见手段是多路召回:dense 向量加 BM25 关键词检索,用 RRF 融合;查询侧做改写、同义扩展或多查询生成;切分上按标题层级切、加父子 chunk(小块检索、大块喂给模型)、保留重叠窗口;再叠一层 rerank 提升精度。此外要有带标注的评测集,按 recall@k 逐项对比改动,否则调参全靠感觉。
Excel 处理与逐行向量化取舍:解析用 openpyxl 或 pandas,保留 sheet 名、表头和单元格坐标;合并单元格按 merged_cells 范围把值填充到整个区域,或还原成层级表头,否则大量行会丢列名。转成文本时每行带上表头(“列名: 值”)再切块,或整表转 Markdown 后按表块切分。不逐行向量化的原因是:单行脱离表头几乎没有语义,行数会让向量数量和成本爆炸,且行级问题更适合走结构化查询(text-to-SQL)而不是语义检索;实践上按表或表块做向量、行数据留作结构化过滤与明细回查。
模型选型怎么答:这题问的是”你们的”,要能说出型号和理由。embedding 常见 bge-m3、bge-large-zh、text-embedding-3-large 一类,选型看中文效果、维度、最大输入长度和成本;LLM 按业务在 Qwen、DeepSeek、GLM 等之间选,看上下文长度、工具调用能力和单价;检索模型通常指 rerank 模型(如 bge-reranker 系列),用来对召回候选重排。回答时把”候选集多大、用什么指标评估、为什么最终选它”讲清楚,比只报型号更有说服力。