面经策

什么是 Spring AI 提出的模块化 RAG 架构？预检索、检索和后检索阶段各自负责什么？ ​

  • 标签：后端、编程导航

🏛 业务架构师 ​

模块化 RAG 是 Spring AI 提倡的架构思想：把 RAG 拆成预检索、检索、后检索三段流水线，每段职责单一、可独立替换与组合——从"一根烟囱"变成"一条可编排的产线"。

三段职责：

  • 预检索（Pre-Retrieval）：优化"问题"——查询重写（口语转规范、指代补全）、多查询扩展、上下文相关性判断（不相关的跳过检索）、过滤条件构造。解决"问题配不上文档"；
  • 检索（Retrieval）：执行召回——向量检索、关键词检索、混合检索，元数据过滤（权限/类目/时效）在此强制执行。解决"怎么搜得全又准"；
  • 后检索（Post-Retrieval）：加工"结果"——重排序（Rerank 模型精排 top50→top5）、去重、压缩（长片段摘要）、来源标注。解决"塞给模型的上下文质量"。

业务架构价值（我为什么推崇这个分层）：

  1. 可归因的优化：效果差时能定位到段——召回都没有是预检索/检索问题，召回了但答错是后检索问题——没有分段的 RAG 调优全是玄学；
  2. 可评测的每一段：每段定义指标（重写的完整性、召回率、重排的 NDCG），有度量才有优化；
  3. 组合的灵活性：不同场景按需组装（配合我的动态 Advisor 工厂）——客服场景全链路，轻量场景只留重写+检索。

一句话：模块化 RAG 把"调 RAG"从炼丹变成工程化的流水线治理——段间解耦、段内可替换、整链可评测，这也是企业级 AI 与 demo 的分水岭。

🏗 系统架构师 ​

模块化 RAG 是 Spring AI 借鉴学术届（RAG Survey）提出的架构思想：把 RAG 拆成预检索（Pre-retrieval）、检索（Retrieval）、后检索（Post-retrieval）三个正交阶段，每阶段可独立替换与组合——从"固定管道"进化为"可编排的模块体系"。

三阶段职责：

  • 预检索（查询侧优化）：查询重写（指代消解、术语归一）、多查询扩展、查询分解、HyDE、路由（判断要不要检索、检索哪个库）——目标：让查询更好地表达信息需求；
  • 检索（执行层）：向量检索（ANN）、关键词检索（BM25）、混合检索、元数据过滤、多库联邦检索——目标：高召回高精度地拿到候选集；
  • 后检索（结果侧优化）：重排序（交叉编码器 Rerank）、去重合并、相关性过滤、chunk 压缩、上下文组装（来源引用）——目标：把候选集提炼成高质量上下文。

架构价值（我的理解）：

  1. 问题定位清晰：RAG 效果差先分层归因——召回没有（预检索/索引问题）还是排序不对（后检索问题），各层独立评测；
  2. 组合自由：每阶段是 Advisor/组件，按知识库特征编排（规章库重精确 → 重排；资讯库重召回 → 多查询）；
  3. 演进友好：新优化（如 Rerank 模型升级）替换单模块，不动全链路。

这与分层架构（接入/逻辑/数据）思想同源：复杂系统先正交分解，再谈逐层优化——我的动态 RAG Advisor 工厂正是按这三阶段组织配置的。

💻 全栈开发专家 ​

模块化 RAG 是 Spring AI 借鉴学术界（ Modular RAG 论文）确立的架构思想：把 RAG 拆成三个阶段的可插拔流水线，每个阶段独立配置、组合使用，而不是一个黑盒"检索 + 塞 prompt"。

预检索（Pre-Retrieval）—— 把查询变好：

  • 查询重写（指代消解、口语规范化）
  • 多查询扩展（Multi-Query）、HyDE（假设文档检索）
  • 查询路由（判断该查哪个知识库、还是不查）
  • 我项目里：QueryRewriteAdvisor + MultiQueryAdvisor + ContextGateAdvisor 全在这层。

检索（Retrieval）—— 把候选找全：

  • 向量检索、关键词检索（BM25）、混合检索 + 融合（RRF）
  • 元数据过滤（权限/分类）、topK/阈值调参
  • 对应 Spring AI：VectorStore.similaritySearch + filterExpression，可挂多个 store。

后检索（Post-Retrieval）—— 把上下文用好：

  • 重排 Rerank（cross-encoder 精排 top50 → top5）
  • 上下文压缩（去掉 chunk 里无关句子）、去重
  • 引用标注（回答时标注来源文档）、prompt 组装（QuestionAnswerAdvisor 的模板）

我的理解（面试升华）：模块化 RAG 的工程价值是可组合、可观测、可评估——每一跳都是独立 Advisor，能单独 A/B 和监控；RAG 效果优化不再是玄学调 prompt，而是按阶段定位问题（召回率低查预检索/检索，准确率低查后检索）逐段优化。