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。
「RAG 重排序」找到 310 条内容
按专题浏览 →匹配口述回答：这道题问的是文档清洗预处理，其实本质是在问：你如何在信息密度和检索效率之间做取舍，同时避免污染生成质量。很多人在做领域 [[RAG]] 时只关注模型或检索策略，但数据源头要是脏的，后面怎么调都没用。 先说通用清洗层，这层是必须做的，但别做过头。格式标准化、去乱码、过滤页眉页脚这些是基本功。但有个坑：过度清洗可能会丢掉有价值的信息。比如技术手册里的页脚可能是版本号，你一刀切掉，后面检索时版本匹配就出问题。所以我会把这层当成「安全网」，只做保守操作，把判断权留给后面。 真正拉开差…
匹配正文：…的增量贡献（ablation study） 避免"伪多路"——多路召回同一批文档 3. 业务约束 延迟P99：向量检索<50ms，重排序<100ms 成本：embedding调用次数、存储规模 三、端到端验证（最终标准） 离线指标高 ≠ RAG效果好，必须回归： 答案准确率（人工/模型评估） 幻觉率（检索内容是否被正确使用） 一句话总结：Recall@k是必要条件，但需结合NDCG保证头部质量，最终用端到端指标验收。 学习建议 建议系统学习该知识点 参考资料 Stanford…
匹配口述回答：…以用户点击反馈作为运行前提；领域偏移与实体匹配效果仍要评估。 评估指标我重点看三个。质量上，Recall@k 是首要的，因为 [[RAG]] 里漏检代价最高，你漏了相关文档，后面生成就没了依据。然后是 MRR，它看第一个相关结果排得多靠前，对排序质量敏感。效率上，P99 延迟是红线，向量检索可以选择精确搜索或HNSW等近似索引；延迟、构建、更新与资源成本依实现和负载测量。 权重的考量完全由业务场景驱动。举个例子，电商客服的退换货场景：用户问“我买的鞋码不对怎么办”，如果只靠 …
学习内容与项目面试，在同一条路上。