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 Rerank」找到 298 条内容
按专题浏览 →匹配正文：答案要点 RAG整体架构的三阶段流程（索引-检索-生成） 检索器的核心组件（Embedding模型、向量数据库、重排序） 生成器的Prompt工程与上下文融合策略 检索与生成的协同机制（检索结果如何注入生成） RAG的典型优化方向（查询改写、多路召回、Rerank） RAG典型架构：三阶段流水线 1. 索引阶段（离线） 文档切分：按语义/固定长度切分，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量 向量…
匹配正文：…询集上比较证据完整性与成本。所谓语义或 Agentic 分块也要经过同一评测，不能因为使用 LLM 就默认更好。 二、检索器 使用向量检索、BM25、结构化过滤或多路召回生成候选。 对不同分数做校准、RRF 融合或独立重排，避免直接相加不可比的原始分数。 用 Cross-Encoder 或领域 Reranker 对候选精排，并保留召回器、索引和模型版本。 查询改写、HyDE 和子查询分解只在离线与端到端评测证明有效时启用，因为它们也可能引入偏移。 三、生成器集成 候选去重、裁…
匹配正文：…织 核心问题 "怎么问" "给什么" Context Engineering 的三层方法 检索层（Retrieval） 多路召回：向量检索 + 关键词 + 知识图谱 查询扩展：HyDE、子查询分解 重排序层（Reranking） 相关性打分：Cross-encoder精排 多样性控制：MMR算法避免冗余 压缩层（Compression） 上下文压缩：LLMLingua、选择性上下文 结构化组织：树状摘要、时间线梳理 协同关系 用户问题 → Context Engineerin…
学习内容与项目面试，在同一条路上。