某多语种（中英混合）内部知识检索系统，文档里满是内部产品代号和缩写。当前直接调用第三方 embedding API。业务方反复抱怨“同一个意思换个说法就搜不到”。你手上没有标注数据，只有线上点击日志和一批客服真实 query，且数据合规上对外发有限制。你会怎么决定是继续用 API 模型、换模型还是自建微调？给出判断依据、验证方式和上线路径。

面试官在考什么

判断候选人能否在没有标注数据、有合规与成本约束的真实条件下，把 embedding 选型做成一个有依据、可回滚、成本可控的决策，而不是凭榜单选模型。

向量化

回答框架 · 前两步

1. 先量化问题：把坏 case 分类，判断是 embedding 区分度不足，还是切分/召回/融合环节丢信息，再决定要不要动模型
2. 用真实 query 分布构造 held-out 评测集（点击日志采样 + 少量人工标注），主指标用 recall@k/MRR，禁止用调参同源数据做验收

延伸阅读

• 从「背过」到「能选型」：原理的三层准备法
• 技术面到底在考什么：三类考点的及格线与加分线

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？