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 质量」找到 400 条内容
按专题浏览 →匹配正文：…等多格式，提取结构化文本 原始文本 文档分块（Chunking） 按语义/固定长度/递归等方式切分，平衡粒度与上下文 文本块集合 Embedding编码 用BGE、M3E等模型将文本转为稠密向量 向量表示 向量存储 写入Milvus/Faiss/Elasticsearch等，构建索引 可检索向量库 关键设计：分块策略直接影响检索质量——太粗易噪声，太细丢上下文。 第二阶段：在线检索生成（Retrieval & Generation） 数据流转链路： 用户Query → Que…
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：…侧：证据 Recall@K、MRR/NDCG、重复率、过滤正确性。 生成侧：答案正确性、Faithfulness、引用准确率、拒答质量。 工程侧：索引新鲜度、吞吐、P50/P95/P99 延迟、成本和失败率。 延迟目标必须依据产品 SLO、硬件和模型确定，不能把“向量检索低于 50ms、整体 P99 低于 500ms”作为所有 RAG 系统的通用标准。 结论：RAG 的技术实现是一条带版本、权限、评测和回滚能力的证据链，而不是固定的组件清单。 图解 RAG 系统核心组件怎么搭…
学习内容与项目面试，在同一条路上。