27 届实习转正面:混合检索怎么融合、评测集怎么建、长对话压缩会不会把信息压没
- 轮次
- 转正面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
动机与基础
- 请先做一下自我介绍。
- 你是九月开始实习的吗?
- 你最后为什么离职了?
- 你更希望做一份实习转正的工作,是吗?
- 你的期望薪资是多少?
- 你了解这个团队用的技术栈吗?比如 Git、Docker。
- 用户在 Git 上提交代码时出现代码冲突,一般怎么解决?
RAG 与检索
- 在广东这段实习,你主要负责错题判定这一块,是吗?
- RAG 这块你做的是混合检索,具体是怎么做的?
- 两路混合检索的结果基于什么做融合?
- 对于 RAG 的检索优化,你主要做了哪些?
- 你们的评测集是怎么建立的?
- 这个文档里会不会出现中文?
- 中文和越南语混合的情况你遇到过吗?这种情况怎么处理?
路由与事实存储
- 错题路由最开始的路由规则是基于什么做的?
- 规则和大模型双路判定的结果是怎么结合的?
- FactStore 里你设计的是需要存储哪些字段?
- 用户某次回答时修改了之前的内容,它是怎么覆盖旧内容的?
- 长对话里内容不断增加,怎么防止上下文膨胀?
- 压缩过程里,如果已经压缩过一轮、现在又达到阈值,下一次是把上一轮的压缩结果再压一次,还是只压缩最新内容?
- 会不会出现原始会话的信息量越压越少、最后甚至消失的情况?
- 多会话并发,你们做过这方面的处理吗?
- 会话状态是直接持久化的吗?
其他
- 你是哪里人?
- 你平时开发用过 AI 辅助开发工具吗?
- Code Pro 是公司给你们配的额度吗?
《参考解析》
混合检索的融合方式:两路(向量召回与关键词召回,如 BM25 / ES)分数量纲不同,不能直接相加。常用做法有三类:一是倒数排名融合(RRF),只取名次、按 Σ 1/(k + rank) 计算,对量纲不敏感、实现简单,是默认起点;二是加权分数融合,先把每路分数归一化(min-max 或 z-score)再按权重相加,权重靠离线评测调;三是先各自召回 Top-K,合并后用 cross-encoder 重排模型统一打分,效果最好但延迟高。工程上常见组合是「RRF 粗排 + 重排模型精排」,并对两路结果做去重(按文档 id 或内容指纹)。回答时要说明为什么选这种融合(量纲、延迟、可调性)以及评测上带来的提升。
检索优化的抓手:查询侧做改写与扩展(同义改写、错别字纠正、多查询、HyDE);切分侧调 chunk 大小与重叠、按标题层级切、给 chunk 加上下文摘要;索引侧加关键词字段、做多语言 embedding 或按语言分库;召回侧调 Top-K、加元数据过滤(学科、年级、题型);排序侧加重排与业务规则(优先最近教材版本);最后是缓存与降级。每项都要能用评测集证明收益,否则只是堆技术。
评测集怎么建:先定义任务与指标(召回率@K、MRR、答案正确率、引用准确率),再从真实日志里采样查询(按频次分层,别只挑简单的),为每条查询标注「相关文档 / 标准答案」,规模不必大(几百条即可起步),但要覆盖长尾与边界(多语言、表格、公式、无答案的问题)。用 LLM 辅助标注时必须人工抽检,并固定一份 holdout 不参与调参,避免过拟合。上线后把线上 bad case 回流进评测集,形成闭环。
中越混合文档的处理:先做语言识别(按字符集或 fastText),中文按字、越南语按词(越南语是拉丁字母、带声调符号,需要分词与 Unicode 规范化,注意 NFC/NFD 两种形式要统一)。检索上用多语言 embedding(如 multilingual-e5、bge-m3)或按语言分索引后合并结果;切分时避免把两种语言切进同一个 chunk 导致语义漂移;答案生成时要求模型用提问语言作答,并在 prompt 里声明文档可能含多语言、引用原文时要保留原文。若数据里中文与越南语是「同一道题的两种表述」,可以做对齐后只索引一份。
规则 + 大模型双路判定怎么结合:规则负责高确定性与可解释的部分(命中白名单、格式校验、明确的错因模板),模型负责语义判断与开放情况。结合方式按置信度分层:规则命中且置信度高直接出结果;规则与模型一致时直接采用;不一致时进入仲裁(升级到更强的模型、或用第二个 prompt 复核、或转人工);两者都没把握时给默认结果并记录待复核。要避免「模型覆盖规则」和「规则压死模型」两种极端,把每路的准确率与覆盖率分开统计,再决定阈值。
FactStore 的字段设计:至少包含 fact_id、session_id、subject(主体,如学生/题目)、slot(槽位,如「答案」「错因」「掌握程度」)、value、source(哪一轮、哪条消息、原文片段)、confidence、valid_from、superseded_by(被哪条新事实替代)、created_at。覆盖旧值时不要原地改,而是插入新版本并把旧记录标记为失效(软删除 + 指针),这样既能追溯「用户什么时候改的」,也能在冲突时回滚。查询时只取 superseded_by 为空的最新版本。
长对话压缩怎么不丢信息:分层做——原始消息全量落库(这是唯一可信源),上下文里放「摘要 + 关键事实 + 最近 N 轮原文」。摘要按段滚动生成(旧段摘要 + 新段原文 → 新摘要),关键事实抽到 FactStore 外置,不依赖摘要携带。第二次压缩时不要对「上一轮摘要」再摘要(信息会指数衰减),而是用「上一轮摘要 + 新增原文」重新生成一份覆盖全历史的摘要,并保留原始消息 id 以供回溯。判断信息是否丢失要看评测:抽一组需要早期信息才能回答的问题,压缩前后各跑一遍,掉分就说明摘要策略有问题。真正不可丢的内容(用户明确陈述的偏好、已确认的结论)一律进事实表,而不是留在摘要里。
多会话并发与会话状态:每个会话一个独立的状态容器(按 session_id 分片),状态读写走同一把会话级锁或单写者队列,避免两个请求同时改同一份历史;跨会话共享的只有用户级事实与配置。状态持久化上,热数据放 Redis(带 TTL)、冷数据落库,写入用「先写库再更新缓存」或事件日志,重启后从库恢复;关键是区分「可重建的」(上下文可由消息表重建)与「不可重建的」(模型已生成但未落库的中间结果),后者要显式持久化或设计成幂等重算。
Git 冲突怎么处理:先 git status / git diff 看清冲突文件与冲突块,理解双方的意图(谁改了什么、为什么),再决定保留、合并还是重写;小冲突直接在编辑器里解决并删掉冲突标记,大冲突用 git checkout --ours/--theirs 取一侧后再手工补另一侧的语义。解决后 git add 标记已解决、跑测试再提交。预防手段是频繁拉取、小步提交、按模块划分文件所有权、对生成文件(lock、构建产物)加 .gitattributes 或干脆不入库。团队协作里 code review 与保护分支比事后解冲突更有效。