岗位分支 · RAG知识库Agent工程师
定位：企业知识库 / 问答 / 文档分析 对应主路线：Ch3（RAG / Context 工程）
核心能力领域#
1. 文档解析与处理#
- 多格式文档解析（PDF / Word / Excel / HTML / Markdown）
- OCR（扫描件、图片文档）
- 表格 / 公式 / 图表抽取
- 文档结构保留（标题层级、段落、列表）
- 工具：Marker / Docling / unstructured / PyMuPDF
2. Chunking 策略#
- 固定长度 / 按结构 / 递归切分 / 语义切分
- chunk_size / overlap 调参
- metadata 设计（source / page / section / acl）
- 多粒度索引（粗粒度召回 + 细粒度精读）
3. Embedding 与 Vector DB#
- 选型：BGE-M3 / Qwen3-Embedding / OpenAI / Cohere
- Vector DB：Milvus / Qdrant / pgvector / 腾讯 VectorDB
- 索引算法：HNSW / IVF-PQ
- metadata filter（权限感知检索）
4. 检索链路#
- Hybrid Search（向量 + BM25 + RRF 融合）
- Rerank（BGE-Reranker / Cohere Rerank）
- Query Rewrite（HyDE / Multi-Query）
- 引用溯源（每个回答附 chunk 引用）
5. 权限感知检索#
- 按用户权限过滤 metadata（部门/级别/项目组）
- 检索时就过滤（不是先检索后过滤）
- 引用按权限显示（用户能看答案但看不到机密源）
6. RAG Eval#
- 评测维度：召回 / 精度 / 忠实度 / 答案正确性 / 引用正确性
- 工具：Ragas / TruLens / DeepEval
- 回归数据集（线上失败转 eval case）
7. 知识库更新流水线#
- 增量更新（新文档入库自动 chunking + embedding）
- 版本管理（文档改了怎么处理旧 chunk）
- 失效检测（chunk 引用的文档被删/改了）
- 灰度发布（新知识库先小流量验证）
技术栈重点#
| 技术 | 优先级 |
|---|---|
| 文档解析 / Chunking | 必会 |
| Embedding / Vector DB | 必会 |
| Hybrid Search / Rerank | 必会 |
| RAG Eval | 必会 |
| Agentic RAG / GraphRAG | 加分 |
| 权限感知检索 | 加分 |
| 知识库更新流水线 | 加分 |
典型面试题方向#
- 如何做权限感知检索？为什么"先检索后过滤"是反模式？
- 引用忠实度怎么评？LLM-as-a-Judge 怎么校准？
- 知识库更新流水线怎么设计？增量更新 vs 全量重建各适用什么场景？
- 文档中表格/公式/图表怎么处理？直接 chunk 会丢什么信息？
- RAG 召回正确但回答错误，怎么排查？从 trace 哪几步入手？
- Agentic RAG vs 传统 RAG 的边界？什么场景该升级？
- GraphRAG 什么时候值得用？成本和复杂度怎么权衡？
加分方向#
- Agentic RAG（多轮检索、query 改写决策）
- GraphRAG（跨文档关系查询）
- 权限感知检索（企业场景刚需）
- 知识库更新流水线（自动化运维）
- 多模态 RAG（图片/视频检索）