RAG工程实践

RAG工程实践

1. 向量维度数值越高，语义表达越细致，硬件消耗越大（单选题）

2. 中文场景使用中文专属嵌入模型效果优于英文通用模型（单选题）

3. 文档标题、目录、摘要单独切片能够有效提升检索精度（单选题）

4. RAG 技术无法适配公式、代码、图文混合类文档问答（单选题）

5. 物理内存不足会直接造成大批量文档向量化进程卡死（单选题）

6. 混合检索同时融合向量语义检索与关键词 BM25 检索（单选题）

7. 复杂用户多意图提问，可采用问题拆分策略拆分检索（单选题）

8. 简单日常问答场景，省略重排器不会明显影响使用效果（单选题）

9. 嵌入模型参数量越大，文本向量生成速度越快（单选题）

10. RAG 结合 Agent 智能体可实现知识库问答 + 外部工具调用（单选题）