中文 RAG 场景，用户 query 平均 12 个字，文档 chunk 约 500 字。你用某个通用 embedding 模型，发现短 query 和长 chunk 的相似度普遍偏低，top-10 里经常混进不相关文档。你会从哪几个方面排查和解决？请说明是否要微调、怎么构造训练数据、query 和 doc 是否要加不同前缀。

面试官在考什么

判断候选人是否理解双塔 embedding 在 query-doc 长度不对称下的问题，以及调优顺序和对比学习数据构造。

向量化

回答框架 · 前两步

1. 先排查工程问题：query/doc 是否用了模型要求的前缀、是否有截断、分词是否异常、相似度阈值是否跨模型乱套。
2. 阈值要在验证集上按召回和精度调，不能直接拍 0.75 或 0.9；不同模型分数分布不可比。

延伸阅读

• 从「背过」到「能选型」：原理的三层准备法

想看这个方向的整体准备路线？ 进入「NLP 与大模型」方向页

同一能力域的其他题

• RAG 的完整链路你会怎么搭？文档切分这一步，你会怎么定 chunk 大小和重叠？为什么？
• 大模型幻觉你会怎么治理？请区分"知识型幻觉"和"指令遵循型幻觉"分别怎么处理。
• 向量检索的召回效果不好，你会从哪些环节排查？说一个你实际调过的参数和它的影响。
• 你怎么评测一个 RAG 系统的好坏？请分别说检索侧和生成侧各看什么指标、怎么构造评测集。
• 一份 200 页的 PDF 技术手册要进 RAG 知识库，目录层级清晰，但有跨页表格和一段 3000 字的长章节。业务要求答案能定位到具体小节，同时回答里要保留足够上下文。你打算怎么设计切分策略？请给出 chunk 大小、overlap、切分依据，并说明长章节和表格分别怎么处理。
• 企业知识库要入库一批 200 页左右的产品技术手册（PDF，含大量跨页表格和 3 级标题），同时还有几万条几十字的客服工单。用户 query 大多是「XX 型号的额定功率是多少」这类精确查找，也有「怎么重置设备」这类流程性问题。请给出你的切分方案：chunk 大小和 overlap 怎么定？标题层级要不要拼进 chunk？跨页表格怎么办？工单和手册要不要用同一套策略？