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。
「提示工程」找到 426 条内容
按专题浏览 →匹配正文：…解析失败率 3. 策略网络设计 基座模型：选用指令遵循能力强的模型（如Llama-3-Instruct） 结构：保持LM结构，通过prompt注入工具schema，或用LoRA微调工具感知模块 关键：解耦"何时调用"（规划）与"如何调用"（参数生成），可用两阶段训练 4. 奖励机制 奖励类型 计算方式 权重 结果奖励 任务完成度（EM/F1） 高 格式奖励 JSON合法性、字段完整 中 过程奖励 步骤合理性（人工或模型打） 中 效率惩罚 调用次数/轮数 低 解决稀疏奖励：对多…
匹配正文：…材料生成 核心流程:文档解析 → 分块(Chunk)→ 向量化(Embedding)→ 入向量库;查询时检索 → 重排 → 拼入 prompt 生成 优势:知识可实时更新、答案可溯源、幻觉显著降低、不需要重训模型 局限:效果强依赖检索质量(切分不当/纯向量检索对 ID 类文本失效),链路长、延迟与成本上升 与微调的边界:微调学「格式与风格」,RAG 注「事实与时效」,生产中常两者结合 工作原理 RAG 的本质是把「模型参数里的知识」和「外部知识库」解耦。索引侧:把文档切成语义…
匹配正文：…ms） 打分模型 中等复杂度 线性加权或小型神经网络，输入任务特征+工具画像，输出综合得分 LLM-based 复杂决策、需推理 Prompt内嵌工具描述，让LLM直接选择并解释理由 打分模型公式示例： score = w1·accuracy - w2·cost - w3·latency + w4·success_rate 权重根据业务场景动态调整（实时场景调高w3，成本敏感场景调高w2）。 三、执行与反馈层：动态适应 A/B测试框架：新工具灰度接入，对比实际效果 在线学习：…
学习内容与项目面试，在同一条路上。