RAG是什么？

1. 检索增强生成（Retrieval-Augmented Generation）
   流程：用户提问 → 从知识库 / 数据库检索相关内容 → 把资料喂给大模型 → 生成准确回答。
   解决：大模型不知道、瞎编、过时的问题。

2. RAG 完整流程？
   文档加载：PDF/Word/Excel/MySQL
   文本切分：分块
   向量化：Embedding
   入库：向量库 / ES
   查询：用户问题转向量 → 检索相似内容
   生成：Prompt 拼接资料 → 大模型回答

3. RAG 常见优化点？
   优化分块大小
   优化检索召回率
   优化 Prompt 模板
   加入多轮对话理解
   过滤低质量文档

4. RAG 幻觉怎么解决？
   加强检索，确保资料准确
   Prompt 强制：只根据资料回答，不知道就说不知道
   加入引用来源

5. 你们 RAG 怎么落地？（后端可直接说）
   用 SpringBoot 做业务层
   知识库存在 MySQL + ES
   向量检索用 ES 向量字段 或 Milvus
   对接大模型 API 做生成
   对外提供 HTTP 接口

6. 文档加载 → 分块（Chunk）→ Embedding → 入库 → 检索 → 生成
   掌握：
   分块策略
   检索策略（相似度 / 重排）
   提示词注入

7. Agent 是什么？
   能自主思考、规划、调用工具、执行多步骤任务的智能体。
   Agent 核心组件有哪些？
   LLM（大脑）
   工具（Tool）：查库、调接口、搜索
   记忆（Memory）：短期 / 长期对话记忆
   规划（Planning）：拆步骤、反思
   执行（Action）：调用并返回结果

8. Agent 执行流程？
   理解用户意图
   思考是否需要工具
   调用工具（查库 / 接口 / 搜索）
   获取结果，再给大模型整理
   返回答案，保存对话记忆

9. 工具调用（Function Calling）
   定义工具
   让模型选择工具
   执行工具
   把结果返回 LLM 继续推理

10. 什么是向量数据库？作用？
    存储文本向量化后的数据，用于相似度检索。RAG 里用来快速找到最相关的知识。常用：Milvus、Chroma、Pinecone、ES 向量检索。

11. 什么是 Embedding？
    把文本、图片转成固定长度向量，用来计算语义相似度。

RAG + Agent 组合（后端最爱）
流程：用户提问 → 检索知识库（RAG） → 丢给 Agent → Agent 决定是否调用工具 → 给出最终答案。

LangChain 是一个 开源的大语言模型（LLM）应用开发框架，核心作用是把 LLM（如 GPT、Claude、Llama）与外部数据、工具、记忆、业务流程连接起来，解决大模型 “无记忆、无实时数据、不能动手操作.