27届秋招提前批一开，RAG又成了小红书上收藏最猛的话题之一。一篇《RAG面试版本（讲解+图解+背诵版）》被收藏了138次，作者把重点标得明明白白，从RAG整体流程到chunk策略、VectorDB选型、重排、指标名词，统统列为“一定要掌握”。小红书训练营那边也打卡到了Day11，每天课表排得满满当当，语义分块、HyDE、Multi-Query、混合检索、RRF全在必修清单里。
另一边，知乎一个930赞的实战回答是这么开头的：搭起来不难，开源框架一堆，半天跑通demo，然后上线第一个礼拜就被骂了。知乎这两块屏幕说的是同一个RAG。区别在于：前者默认面试是背诵赛，后者发现2026年的面试官是沿着真实项目的裂缝提问的。
你背的是2024版答案，不是不对，是只够及格
先说清楚：背诵版教的东西没错。五步流程、分块策略、Rerank、混合检索，这些是今天的及格线，面试官照样会问，但问了不加分，只是不淘汰你。
加分的是追问。知乎一份字节一面的实录里，候选人背完“切块→向量化→检索→生成”之后，面试官立刻追问：PyPDF2提取出来的表格行列关系还在不在，用户问“A产品价格是多少”时能不能准确找到表格里那一行。知乎候选人卡住了，因为流程图上不写这些，而真实项目里全是这些：表格被展平成无结构文字，列关系丢失。
扫描件的问题更隐蔽：要做OCR，而“OCR 在中文字体上的识别准确率通常在 95% 左右，但 5% 的错误率在一个 10000 字的文档里意味着约 500 个错别字”，会直接拉低 Embedding 的质量。知乎页眉页脚也会混进来干扰语义。
那篇实录还给了一个反直觉的结论：实际项目里花时间最多的既不是向量化也不是模型调优，而是文档预处理——他们做企业知识库项目时，处理文档预处理问题花了两周，向量化和检索调通只花了两天。知乎
面试官现在深挖的三个“反直觉”
把今年的面经和复盘放在一起看，深挖点几乎都落在这三处。
第一，质量问题大多出在检索，不是生成——实际项目中，75% 的回答质量问题都可以追溯到检索环节，而不是生成环节。知乎
所以被问到“幻觉怎么解决”时，高分答法的第一步不是调Prompt：80% 的生成幻觉来源于检索失败，而不是模型本身，优先优化检索比反复调 Prompt 更有效率。知乎之后再在Prompt里加“只能基于以下资料”的硬约束，最后才谈模型本身。
第二，知识库越大，召回越差。这是最反直觉的一点：那个930赞回答里，用户“把调度规程、继电保护手册、配网运维规范、设备说明书……全扔一个知识库里”，问继电保护的问题，召回的却是调度规程的片段。知乎对策也已经标准化：先用元数据过滤+LLM意图提取缩小范围，再跑BM25+向量的混合检索。
另一篇把准确率从60%抬到95%的实战复盘里，数字路径更直白：改按标题语义切块先加8个百分点，加Rerank层“这一步改动让准确率从68%直接跳到79%”，混合检索到86，意图提取加元数据过滤到91。知乎训练营地毯式铺的“混合检索与多路召回”，正是冲着这个来的。小红书2026年，“混合检索+Rerank”已经是默认配置，只会背纯向量top-k的简历，在面试官眼里是上一代的。
第三，你怎么知道它差、怎么证明它变好了。这是“背过”和“做过”的分水岭。把准确率从60%抬到95%的作者，“我花了一周时间，整理了200个问答对作为评测集”，每改一处就跑一遍看数字。知乎面试里能说出“初始召回命中率68%，通过分块策略优化和 Query 改写提升到 85%”，比任何形容词都加分。知乎
2026年的新问题，背诵版还没跟上
如果说上面还是老题深挖，下面这几个是全新的。
“百万上下文能不能替掉RAG？”这题今年几乎是必考。标准答法不是背RAG定义，而是算账：成本、延迟，还有Lost in the Middle式的噪声迷航，“研究表明，LLM 对 Prompt 里中间位置的内容注意力最低”，塞得越多，命中率越玄学。知乎企业要的是精准检索+可审计引用，不是把整个库塞进上下文。前天在社区小火了一把的《RAG没死，百万上下文干不掉RAG》，讨论的正是那个判断：当模型上下文轻松突破百万，说“RAG 已死”仍然只是对工业级 AI 系统的浅薄误解。小红书
“你这套和Agentic RAG、GraphRAG差在哪？”2024版答案是切块+向量化、模型吃现成的；2026版答案是让模型自己驱动检索：检索一轮自己判断够不够，不够就改写查询再搜，甚至干脆放弃相似度检索、直接去语料库里grep。DCI这条路线出自德克萨斯大学、斯坦福大学等机构的论文。知乎而“Redis挂了谁会坏”这种多跳问题要看关系链、不是相似片段。一篇企业知识库RAG实测干脆把考核拆开了：统一测试集89道题，“50道单跳事实查询、20道多跳推理、19道边界拒答”，多跳推理已经是独立的考核项。知乎
“平台把RAG封装进API了，你还有什么用？”自从Gemini把分块、检索、引用打包进FileSearch一个调用，“上传文件，系统自动完成分块、embedding与索引”，这类问题越来越多。36氪标准答案不是“我更努力”，而是职责迁移：数据治理、评测集、badcase修复、权限与合规——平台不管的那些，恰恰是工程师剩下的护城河。
面试前两周，时间这么排
把实战贴和JD对着看，我会把备考优先级排成这样。
七成时间准备“故事+数字”：挑2-3个自己修过的badcase（训练营项目也行），按“现象→定位→改动→数字提升”讲清楚。没有生产经验，就自己跑一遍开源栈、攒一个一两百题的评测集，把数字曲线做出来，效果等同。
两成时间把一套栈完整跑通。RAGFlow今年又上了GitHub热榜，“GitHub热门:RAGFlow开源RAG引擎”还挂在AI日报的头条位，版本迭代到0.26仍在加速。哔哩哔哩连奢侈品公司的AI Agent实习JD都点名要求基于RagFlow等工具，协助完成企业知识库的搭建、数据清洗、向量化与检索优化。微博社区里还在追它的版本更新，ragflow v0.26.4刚上线16种语言词干化，迭代节奏一点没慢。微博能聊部署和文档解析的坑，比背HNSW索引原理加分得多。
剩下一成，才是背八股。流程和名词是及格线，背了不亏，但记住：它是门票，不是加分项。
最后一个观察信号送给大家：去看JD关键词。当招聘描述从“熟悉向量数据库”变成“有评测体系/数据治理/Agentic RAG经验”时，面试题的方向其实已经提前改了。面试问的从来不是你会不会背，而是你有没有交付过。
