你的RAG系统回答用户问题时，有时会编造文档中不存在的信息。请从检索、生成、后处理三个环节，分别给出至少一条具体的治理措施，并说明为什么这样能减少幻觉。
面试官在考什么
判断是否理解幻觉来源多样，能否从多个环节系统治理，而不是只调prompt。
回答框架 · 前两步
- 检索环节：提升召回相关性，过滤低质文档，确保上下文包含答案。
- 生成环节：prompt约束只依据上下文，不知道就说不知道，降低温度，要求引用来源。
还有 3 条答案要点、 3 层追问、 4 个常见坑， 以及针对你简历的追问路径，在定制报告里。
延伸阅读
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？