AI大语言模型LLM学习-RAG知识点测试题（含答案）

系列文章

---

1. AI大语言模型LLM学习-入门篇
2. AI大语言模型LLM学习-Token及流式响应
3. AI大语言模型LLM学习-WebAPI搭建
4.AI大语言模型LLM学习-基于Vue3的AI问答页面
5.AI大语言模型LLM学习-语义检索(RAG前导篇)
6.AI大语言模型LLM学习-RAG技术及代码实现

---

前言

---

理论基础在AI领域中占据着极其重要的地位，它是指导实践、推动创新和解决问题的根本依据。
很多程序员在开发过程中会遇到很多难题，如何解决这些难题是一个技术活。很多问题的解决需要深入理解问题的本质，即技术原理。AI学习过程中，需要掌握很多基础知识，这些理论基础很重要，能帮助我们在实际工作中遇到问题时找出解决思路，提供更为全面的视野。
本文整理的RAG相关的几个测试问题及答案。

---

一、题目

---

1. 在检索增强生成中，用户的提问内容和检索到的“包含答案的内容”是如何组装的？

• A. 通过向量的组装
• B. 通过文本的组装
• C. 通过数学模型的计算
• D. 通过随机组合

2. 在检索增强生成中，为什么使用向量检索而不是关键字检索？

• A. 向量检索更快
• B. 向量检索更准确
• C. 关键字检索无法理解语义
• D. 向量检索可以处理更多数据

3. 检索增强生成（RAG）的核心目的是什么？

• A. 提高模型的训练速度
• B. 解决大语言模型的信息过时问题
• C. 增强大模型在专业领域、专有信息、实时事件上的回答表现
• D. 减少大模型的参数数量

4. 向量检索在大语言模型中的应用主要是为了解决什么问题？

• A. 提高模型的训练速度
• B. 降低模型的推理成本
• C. 支持语义级别的文本检索
• D. 减少模型对训练数据的需求

5. 在大语言模型中，“幻觉”指的是什么？

• A. 模型生成的完全准确的信息
• B. 模型生成的看似合理但实际上不准确的信息
• C. 模型无法生成任何信息
• D. 增加模型的词汇量

6. 关于检索增强生成（RAG）的工作流程，以下说法错误的是？

• A. 文档的文本需要转换为向量并存储到向量数据库中
• B. 用户的提问内容转换成向量后在向量数据库中检索相似的文本内容
• C. 检索到的相似文本内容直接作为模型的回答返回给用户
• D. 用户的提问内容和检索到的相似文本内容需要组装成新的提示词输入给大模型

二、参考答案及解析

---

1.答案:B

在《AI大语言模型LLM学习-RAG技术及代码实现》一文的代码实现环节，我们将用户的问题和检索到的内容进行字符串拼接组装成新的提示词输入给大模型。

2.答案:C

向量检索能够捕捉并理解文本之间的语义相似度。通过将文档和查询转换为高维向量空间中的表示，向量检索能够基于这些向量的相似度来检索相关文档。这种方法能够处理同义词、词形变化等语言现象，从而找到与用户查询意图更为接近的文档。

3.答案:C

RAG的核心思想是让语言模型在生成回答或文本时能够动态地从外部知识库中检索相关信息。这种方法能够提高模型生成内容的准确性、可靠性和透明度，同时减少“幻觉”（即模型生成看似合理但实际上错误的信息）

4.答案:C

传统的信息检索方法主要基于关键词匹配，难以处理同义词、多义词等语义问题。而向量检索通过向量表示和相似度计算，能够实现基于语义的检索，即使用户输入的查询与文档中的词汇不完全一致，只要它们表达的语义相近，也能被检索出来。

5.答案:B

LLM的“幻觉”，就是LLM“一本正经的胡说八道”。

6.答案:C

RAG的第三步：用户的提问内容和检索到的相似文本内容需要组装成新的提示词输入给大模型,大模型生成内容输出。

---

引用

---

飞桨AI Studio星河社区-大模型零代码应用开发