Charles
面京东被问懵了：Self-RAG、CRAG、Graph RAG和传统RAG有啥区别？面试官说我"只会调API"上周面京东AI应用研发岗，二面面试官翻到我简历上"基于RAG的企业知识库问答系统"这一行，抬头问我："你项目用的是传统RAG吧？那你说说，Self-RAG、CRAG、Graph RAG和传统RAG有什么区别？"我当场一愣——我只做过传统RAG啊，检索→拼prompt→生成，三步走完。Self-RAG？CRAG？听过名字，但没研究过。面试官看我没答上来，换了个方式问："那你的系统遇到检索不到相关内容的时候怎么办？"我说："就硬答呗，把检索到的top-k拼进去，LLM自己发挥。"面试官笑了——就是那种"果然只会调API"的笑。后来我发现，90%做过RAG项目的人都分不清这四种架构，包括我。花了两天扒完论文和源码，整理出来：【传统RAG（Naive RAG）】：检索→生成，一次搞定。简单快，但检索不到就硬答，容易幻觉。【Self-RAG】：LLM自己判断"需不需要检索"。不需要的问题直接答，需要才检索，减少无效调用。【CRAG（Corrective RAG）】：检索质量差的时候，主动纠正——换个query重搜、切数据源、或者告诉用户"找不到"。【Graph RAG】：不只看文本相似度，还要找实体关系。适合跨文档推理，比如"A的经理的经理是谁"。面试官真正想问的不是"你背过几种RAG名字"，而是"你的系统有没有考虑过检索失败的case、有没有做过质量评估、有没有想过升级方案"。这些才是区分"调API的"和"做工程的"的分界线。踩过的坑：我们之前做知识库，传统RAG上线后Recall只有62%，用户投诉"答非所问"。后来加了个reranker（Cross-Encoder精排），Recall提到89%，但如果当时用CRAG的思路——检索质量差时主动反馈"找不到相关资料"——用户满意度可能更高。你们项目用的是哪种RAG架构？有没有升级过？评论区聊聊，我一条条回。[投票] 你们项目用的什么RAG架构？A. 传统RAG（向量检索+LLM）B. Self-RAG（带反思）C. CRAG（带纠正）D. Graph RAG（知识图谱）E. 混合架构（多种结合）F. 还没做过RAG，来学习
发布于 江苏
2
6
2
未登录
友善发言
评论
加载中
