程序员面试专题库

评测集不是攒一堆问题，而是覆盖真实任务、历史坏例和边界场景，让每次改动都有回归依据。

RAG 重排的价值是把真正有用的证据放到前面，但它也会带来延迟和成本，需要按场景取舍。

向量检索质量不只取决于向量数据库，embedding 模型、文本切分、领域词和评估样本都会决定召回效果。

大模型安全不是提示词里写几句禁止，而是后端要设计输入、输出、权限、确认和审计的完整边界。

企业 RAG 的权限问题不能交给模型自觉，必须在检索和上下文构造阶段就过滤掉无权限资料。

模型路由不是简单把请求分给便宜模型，而是按任务难度、风险、延迟和成本选择合适路径。

RAG 不只难在首次搭建，知识库持续更新后更考验版本管理、缓存失效、索引一致性和坏例回归。

结构化输出不是让模型“按 JSON 返回”这么简单，后端必须承担解析、校验、重试、降级和审计。