页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「Agent」找到 471 条内容
按专题浏览 →匹配正文：…键词命中） 强（理解同义、近义表达） 多模态支持 困难 原生支持（图文音统一编码） 规模扩展 受限 近似索引支持十亿级 关键洞察：Agent对话具有高度口语化、指代消解、意图漂移的特点，精确匹配失效，必须依赖语义空间中的邻近搜索。 二、Embedding模型设计要点 1. 领域适配 通用模型（如text-embedding-ada-003）在垂直场景语义区分度不足 需用领域语料做对比学习微调，或选择专用模型（如BGE、GTE系列） 2. 粒度设计 场景 策略 事实性记忆 句子…
匹配正文：为何选择向量数据库存储Agent记忆 核心优势 语义检索能力：支持"意思相近"而非"字面匹配"，解决同义改写、指代消解问题 非结构化友好：自然适配对话文本、工具返回结果等异构数据 动态扩展：新记忆实时写入，无需预定义schema 对比传统方案：关系型数据库适合精确查询（如"查找3天内的订单"），但无法处理"找上次聊过的类似需求"；Redis等KV存储适合短期上下文，缺乏语义关联能力。 Embedding模型选择原则 维度 考量要点 领域适配 通用场景用BGE-M3/E5，垂直…
匹配正文：评分端知道的答案，别顺手放进 Agent 的题面 一条售后任务，希望 Agent 先查客户的订单，再判断这次诉求对应哪一次购买。离线评分要认定它是否选对对象，数据里因此保存了目标订单号。组装提示词时，如果顺手把整份任务对象转成 JSON，模型可能还没查工具，就已经看到了这个编号。 调用过程随后可以很完整：查订单、查政策、给出回复。可这条轨迹回答的问题已经变了。原本想观察它怎样发现候选、核对对象，现在给它的是一个已经指定目标的任务。最后答案正确，也不足以说明前一项能力经过了检验…
学习内容与项目面试，在同一条路上。