AI面试相关之RAG与Doris（JAVA）

最仅段段开始复习并面试了，但是市场行情还是差点意思，段段把最近学的和面试的，以及段段做的AIGC项目做个小总结，希望能对大家带来帮助。

不得不感叹AI进步速度之快，我们这帮研发天天研究用AI革自己的命，属于是没有办法的办法了，在这个巨大变革的时代，我们也不得不跟进潮流，防止淘汰了，闲话少说，上干货。

本文主要讲解RAG架构，RAG定义，Doris数据仓湖，Doris分区分桶，贪多嚼不烂，先讲这几个。

一、RAG架构

什么是RAG架构，很多同学其实有思想误区，任务RAG是个向量库，RAG是个什么什么服务，其实都不准确。严格来说，RAG代表一种架构思想。

定义：RAG全名增强检索生成（Retrieval-Augmented Generation），是大模型AI技术方案，通过外部知识库检索相关信息，为大模型提供精准上下文，解决AI幻觉，知识过时，领域知识不足等问题。

为什么要通过外部知识库？以为涉及企业保密问题，同时为了在专项领域更加精确。

为什么会产生幻觉？因为没有准确信息，AI就会胡编乱造。

为什么会知识过时？因为大模型是基于上一代数据训练好的，如果没有实时文档或者联网查询，那么知识就是旧的。

核心过程：文档切片与存入向量数据库、用户问题转向量查询相关片段、问题+检索上下文+LLM可溯源答案。

其实我们以JAVA开发维度，可以将RAG分成两部分。一部分是后端负责，另一部分大模型负责。后端主要是用户问题解析与切片，相关知识形成向量数据库，调用向量数据库查询出高相关文本切片，然后调用大模型生成答案。

高频面试题：

1.为什么要文本切片？文本切片如何做？

2.Embedding是什么，作用是什么？

3.为什么要Rerank重排序？意义是什么？

4.RAG架构是什么？解决了哪些痛点？

5.上下文太多怎么办？如何优化？

6.RAG常见优化手段？

二、Doris与RAG误区

上一点已经讲了，关于RAG与Doris的误会，这一部分具体讲讲RAG中的Doris是如何应用的。

传统企业是什么样？MySQL存储业务数据，ES用来做检索引擎，向量库（Milvus/Chroma）存向量，还要做数据同步，成本太高，过于复杂。

为什么用 Doris 做 RAG？简单来说，因为他能在一套系统里，同时搞定向量检索+文本检索，结构化数据+高并发分析，我们就不用搞一套向量数据库，再搞一份数据仓湖了。因为很多场景下，企业既有大模型文档场景应用，又有大数据报表可视化的需求，而这两者都可以通过Doris会实现。

Doris+RAG典型流程：

1.数据准备：文档切片、生成Embedding、写入Doris并建立向量索引。

2.检索阶段：用户提问、生成查询向量（同Embedding方法）、Doris混合索引（向量+关键词）、召回相关文档。

3.生成阶段：拼接上下文、调用LLM大模型，生成精确回答。

应用场景：比如企业问答，智能助手、智能客服，实时分析等。

高频面试题：

1.为什么用 Doris 做 RAG。

2.Doris 向量检索实现，Doris索引优化。

3.RAG 流程中 Doris 的角色。

4.对比传统 RAG 架构（MySQL+ES + 向量库），Doris有什么优势？

三、Doris知识扩展

Doris适合做什么？报表、漏斗、ROI、大盘。高并发聚合查询，以及RAG场景向量检索。

Doris为什么要分区分桶，如何实现？分区：横向切分，按天RANGE分区，减少扫描范围，管理冷数据。分桶：纵向打散，HASH分桶，提升并行度，管理查询与并发。

分区如何建立？按dt日期range分区，分月，分天，主要是数据量太庞大，为了优化存储和提升查询效率，以及数据结构型，所以要分区。

分桶如何建立？分桶键选择高基数关键字段，比如user_id，customer_id等，分桶数一般是BE节点数*核数，常见的就是3/6/12。这样做的好处就是，数据打散，聚合、join、向量检索并行加速。

高频面试题：

1.Doris分区分桶如何实现？意义是什么？

2.Doris基本定义，FE、BE指的是什么？

3.Doris存储过程和查询过程，为什么速度快？

4.Doris 为什么比 MySQL 快？

5.向量索引如何优化？

下篇我们讲我做的AIGC项目，将用户与智能助手的多轮对话自动转化为高价值结构化销售线索，并打通广告再营销、转化追踪与数据报表闭环。由于保密问题，所以项目我结合了当下比较热门的项目进行整合重构，但是重点的知识点不会少。