- 基础 RAG 流程（VectorStoreIndex → Retriever → Synthesizer）
- 过滤器体系（metadata、相似度、关键词、时间、LLM 重排）
- 多路召回与融合（QueryFusionRetriever）
- 混合检索（向量 + 关键词）
- 节点后处理链（Postprocessor 顺序、扩上下文、引用来源）
- 模板与占位符、输出解析、结构化引用
- 模型角色划分（embedding vs LLM）与 Ollama 本地部署
- 元数据治理（文件名、时间、部门、密级）
→ 这 8 大块基本覆盖了 90 % 的 LlamaIndex 面试题：
- “召回阶段有哪些Retriever？”
- “过滤器执行顺序？”
- “LLM 重排原理？”
- “怎么给答案加引用？”
- “向量与关键词如何混合？”
- “metadata 缺失怎么办？”
所以确实够应付一轮中级/高级面试；真要被问到更深，一般就两条延伸：
- 源码级：
IndexStore、VectorStore自定义实现，NodeParser嵌套，异步aretrieve流程； - 生产级：分布式索引、增量更新、多租户权限、量化部署、重排模型微调。