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。
「Embedding 模型」找到 520 条内容
按专题浏览 →匹配正文：…间的关系。但它们的目标一致：既拿到正文，也保留“这段话来自哪里”。 文字取出来以后，还要变成便于比较意思的一组数字坐标，这一步叫 Embedding。 不熟悉这个词也没关系。你只需要知道，系统可以借助这些数字，比较两段话在意思上是否接近。用户写“休假怎么审批”，原文即使写的是“年假申请流程”，系统也有机会把它找出来。 专门存储这些数字坐标、并支持按相似度搜索的资料库，通常叫向量数据库。 找到相关片段后，系统才会把用户的问题和片段原文一起交给大模型。大模型负责把资料整理成通顺的…
匹配正文：…里的词对上:检查有没有打错字。 Step 3:读懂这三行输出 前两个问题,知识库里有对应资料 → 被 retrieve 找到 → 模型"照着答",这就是开卷; 第三个问题"高原反应保不保",知识库里没有 → 检索为空 → 模型只能凭记忆编,这就是幻觉的来源(私域盲区)。 🎉 你刚跑通的,就是 RAG 最核心的一条流水线:检索 → 把资料塞进上下文 → 基于资料回答。真实系统只是把"关键词匹配"换成了更聪明的"向量检索"(把文字变成一串数字向量,靠"语义相近"而不是"字一样"…
匹配正文：…行的是你写的程序:程序解析这句指令、调真实的搜索 API、把返回结果再「喂」回给模型。模型看到结果,再决定下一步。 工具调用机制:模型只「说」要调什么,程序去「做」,结果再喂回模型 这个「模型提议 → 程序执行 → 结果回喂」的闭环,是所有 Agent 的地基。理解它,你就理解了为什么 Agent 既强大又脆弱(后面会讲)。 概念 3:什么是「多步推理」? 多步推理,就是模型把一个大问题拆成好几步,每一步看完结果再决定下一步,而不是一口气把答案编出来。 回到向量库选型那个问题…
学习内容与项目面试，在同一条路上。