搜索大模型内容

#Agent#工作流与状态#LangGraph StateGraph 设计

LangGraph 的 StateGraph 怎么设计？State、Node、Edge 到底各负责什么

匹配正文：…LM。鉴权失败必须停止，达到预算必须停止，高风险写操作必须转人工，这些属于确定性规则。只有“现有证据是否足以回答”“是否需要换一个检索角度”这类难以完全枚举的判断，才适合让模型提供建议。怎样设计循环，才不会把图变成另一种死循环图允许有环，是 LangGraph 适合 Agent 的原因之一。Executor 可以回到 Planner，Reflector 可以让任务继续。但“能画环”不代表“环会自动收敛”。一个受控循环至少需要四类出口。第一类是业务完成。不是模型说“完成…

项目实战·Agent

第 6 章:多阶段训练:Agentic CPT → SFT → GRPO

← 上一页第 14 / 27 页下一页 →

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

匹配正文：…的 FAS / HAS 合成数据。它的目标不是教具体任务,而是让模型在参数里先有「Agent 该怎么动」的直觉:看到信息缺口会想到检索、看到多个来源会想到交叉验证。 Agentic CPT:有无CPT需比较总成本与留出质量为什么值得单独做这一步?通用基座已有预训练能力，并非白纸。AgentFounder在其具体任务和预算下报告了Agentic CPT收益；自己的项目应比较有/无CPT的成本、收敛与留出质量，不能保证加入后都更高效或上限更高。这也是近两年 Agent 训练的一…

#Agent#Deep Research#项目实战

大模型应用开发要懂哪些概念、懂到什么程度

匹配正文：…把深度学习从头学一遍,真正要吃透的是一小批"每天做工程决策都会碰到"的概念:Token、上下文窗口、温度、Embedding、向量检索、RAG、Agent、评估指标这些。标准不是能背定义,而是能一句话讲清、还能说出它影响哪个工程取舍。这篇给你一张核心概念清单和"懂到什么程度"的可操作标准。作者:吴师兄 | 适合:准备转大模型应用开发、想知道概念地基要打到多深的人 | 前置:知道应用岗和算法岗的区别,不需要机器学习背景到底要懂哪些概念:一张清单表先给结论:应用开发要懂的概…

RAG Chunk 为什么不能只按固定字数切？

匹配正文：…前提却不见了。模型拿到的是一句局部事实，不是完整规则。所以，Chunk 不是每隔固定字符切一刀。它真正要解决的是：怎样让每个被检索到的内容块足够聚焦，又能独立说清一件事。 Chunk 到底在平衡什么？ RAG 需要把长文档拆成可检索内容，因为整份文档通常不适合直接做一次检索，也不可能每次都完整塞给模型。但块并不是越小越好。块太小，向量主题会更集中，却容易把条件、解释和结论拆开。用户问“什么情况下可以申请”，系统可能只找回申请步骤，缺少适用对象和限制条件。块也不是越大…

#RAG#切分与索引#RAG Chunk

#Deep Research#执行框架与长任务#ReSum 动态摘要

ReSum 动态摘要怎样压缩长任务，又不把关键证据丢掉？

匹配正文：…生成确定结论。所有恢复过程要进入 Trace：触发原因、摘要范围、旧版本、新版本、校验结果、恢复动作和受影响主张。团队才能区分是检索错、摘要错还是最终生成错。摘要数据应该怎样构造？训练或评测样本不能只有“长文本到短文本”。需要包含任务契约、来源 ID、数字单位、否定关系、冲突、失败工具和未完成项，让模型学习哪些内容不可随意删除。还要有错误摘要作为负样本：把不同版本合并、把候选线索写成事实、丢掉来源、提前关闭缺口、删除失败路径、改变用户边界。样本要覆盖不同任务阶段。…

转大模型应用开发,数学和深度学习理论要补多少

匹配正文：…求被严重高估了。原因是很多人把"训练模型"和"用模型做系统"混为一谈。训练一个模型确实要懂优化、概率、线性代数;而应用开发岗做的是检索、评估、编排、工程和取舍,这些活儿靠的是工程能力和产品判断,不是数学推导能力。一个更实际的检验:你去读大模型应用岗的 JD 和面经,会发现追问集中在文档切块策略、召回和重排、评估集怎么构造、badcase 怎么修、Agent 步骤怎么控制,几乎没有人让你现场推导梯度或证明一个定理。数学在这里是"看得懂别人为什么这么做"的底座,不是"自己从零推…

Chunk Size 和 Overlap 怎么选？不要背 512 和 100

匹配正文：… 可以拆为离线解析、在线召回、上下文生成和查询理解。切分位于离线阶段，但它会沿着整条链路向后影响：块太大，向量里同时包含多个主题，检索得分可能被噪声稀释；块太小，问题所需的前提、条件和结论可能落在不同块里；重叠太小，边界信息可能断开；重叠太大，多个近似块会挤进同一个 Top K。所以，这不是一个“字符串应该截多长”的问题，而是“证据怎样进入检索单元，并以多大代价被稳定找回”的问题。 Chunk 不是越大或越小越好参数同时影响语义完整性、检索区分度和上下文成本，最终要由同一…

#RAG#切分与索引#Chunk Size

只会 Java,怎么快速上手 Python 和大模型工程栈

匹配正文：…学的习惯。一周就能上手写出能跑的服务,别系统啃语法书。你缺的从来不是 Python 关键字,而是有没有亲手调过一次大模型、拼过一条检索链路。作者:吴师兄 | 适合:只会 Java/后端、想动手写大模型应用的人 | 前置:有一门后端语言的工程经验从 Java 到 Python,到底要换掉哪些习惯结论先给:换掉的主要是语法和运行方式,搬得走的是全部工程直觉。你写了几年 Java,脑子里那套「分层、依赖注入、序列化、并发、异常处理」在 Python 里全部有对应物,只是名字和…

后端工程师转大模型应用开发:已有经验怎么迁移

匹配正文：…么说后端是转型最顺的一批人因为大模型应用系统本质上就是「有一个不确定组件(LLM)的分布式系统」,而这套系统的骨架你早就在搭了。检索、缓存、异步、限流、监控、数据管线,这些都不是 AI 独有的东西,是你每天在写的东西。真正新的部分只有中间那个会「胡说」的模型,以及围绕它的检索增强和效果评估。换句话说,一个大模型应用工程师的日常,大概是这样的构成:一半以上是标准后端工程(把模型服务跑稳、把数据喂进去、把延迟压下来),剩下的才是模型这一层的活。后端出身的人不是从零开始,而是已…

Chunk 为什么要带标题、页码和前后片段 ID？

匹配正文：先看一个教学场景。假设检索系统找回了一段内容：申请需要在规定时间内提交，超过期限将进入补充审核。这段话看起来很相关，但系统还不知道几件事。它来自哪份文档？属于哪个章节？“规定时间”到底是多少？上一段是不是刚好写了适用对象？这份文档是不是已经被新版本替换？当前用户又是否有权查看？如果 Chunk 里只有正文和向量，这些问题都无法可靠回答。于是，面试官会继续问： RAG 的 Chunk 除了正文，还应该保存哪些 metadata？这些字段分别解决什么问题？常见回答是列…

#RAG#切分与索引#RAG Metadata

#Agent#工具调用与安全#Agent 大工具集路由

Agent 有几十上百个工具时怎么选？大工具集路由怎样设计和验收

匹配正文：…会问：“Agent 只有三四个工具时可以把 Schema 全塞给模型，工具扩展到几十上百个以后怎么办？” 这道题不能只回答“用向量检索找 Top K”。工具一多，问题不仅是上下文变长，还包括名称和描述越来越相似、敏感能力不该暴露、工具版本与健康状态不断变化，以及候选召回错误会让后面的模型根本没有机会选对。大工具集路由更像一个分层检索与授权系统：先根据用户、租户和任务过滤绝对不能使用的能力，再从剩余工具中召回小候选集，结合描述、参数和上下文重排，最后才让模型选择或请求澄清。执…

面试题·模型架构· 海尔

位置编码为什么重要?

匹配正文：…gits 加随距离变化的头特定线性偏置。 “公式可计算”不等于可靠外推。原生正弦编码与 RoPE 超过训练长度后都可能出现困惑度、检索和生成质量退化。扩窗通常结合 position interpolation、频率缩放、继续训练或长上下文微调，并在目标长度验证短文能力、困惑度、检索、多跳和真实生成。不能用 LLaMA 从 2K 直接无损到 32K 或固定 8 到 16 倍作为通用结论。图解位置编码为什么重要?图解

#位置编码#Transformer#自注意力机制

大模型技术栈全景:RAG / Agent / 微调 / 推理 / 评估各是什么、面试考多少、怎么学

匹配正文：大模型应用开发不是学"一个东西",而是一张地图:RAG、Agent、Prompt 与上下文、评估与监控、重排与检索、模型微调、推理部署几个方向,各自解决不同问题、考察热度也差很多。转行者最该避免的坑是"全都学一遍",正确做法是按面试频率和自己的背景挑一条主线做深。这一页就是全站技术地图的枢纽,帮你先看清全貌再决定学哪条。作者:吴师兄 | 适合:刚决定转大模型、面对一堆名词不知从哪下手的人 | 前置:知道应用岗和算法岗的区别,看过路线图大模型技术栈到底有哪些方向一句话结论…

RAG 知识库如何动态更新？重复上传怎么做到不重复、不漏写？

匹配正文：…“一致”不是日志完全相同，也不是每次都不做任何计算，而是不会因为重试多出一套内容，不会跳过真正新增的内容，也不会让旧版本和新版本在检索时无规则混用。重复上传与内容更新看起来都叫“再次上传”，系统应该给出不同判断。原文完全没有变化时，第二次执行不应产生新 Chunk，也不应重复调用 Embedding。只有一个段落发生变化时，未变化块可以复用，变化块需要重新向量化，同时还要处理旧块何时退出当前检索范围。任务执行到一半超时时，再次执行要补齐失败部分，而不是重放整批并制造重…

#RAG#切分与索引#RAG 增量入库

#Deep Research#研究工具与稳定性#Deep Research 工具故障恢复

Search 超时、Visit 受限、Python 报错时，Deep Research 怎样继续而不乱答？

匹配正文：…统一 Schema 前要归一化。切换来源后还要在 Trace 标明，方便评估降级路径是否降低证据质量。若任务要求最新、多源或完整检索，而当前只有一条旧缓存，系统应明确能力不足。不能为了保持“回答率”而悄悄降低来源要求。 Visit 失败要先分清“页面问题”和“抽取问题” 页面不存在时，查看是否有官方迁移、重定向或新版本入口。访问受限时，不能绕过登录、付费、机器人规则或内容授权。可以寻找公开原始出处，或者请用户提供有权使用的材料。页面可打开但正文为空，可能是动态渲染、反爬…

没有大模型项目经验,怎么攒出能写进简历的项目

匹配正文：…体,项目越像真的。技术决策和权衡是四条里最值钱的。面试官真正在挖的是「你在岔路口选了哪条、为什么」。切块策略、嵌入模型选型、混合检索的权重、什么情况下检索失败怎么兜底——每一个「选了 A 没选 B」的地方都是一个可讲的决策点。量化结果哪怕数字是自己构造的测试集测出来的,也远胜于没有。「召回率 81%」自带追问入口(怎么测的、测试集怎么来的),而「效果不错」是死路,面试官接不下去,只会觉得你没做过。扛住追问是前三条的验收。一个技术点如果只经得起一层提问,说明你只是用了它、…

手把手把 RAG 教程做成"你自己的"项目

匹配正文：…说明数据怎么流、每个模块干什么 "画一下你的架构""这一步为什么要有" ③ 可运行代码你是真做过还是抄的 "现场跑一下""这段检索是你写的吗" ④ 评估集你怎么知道它做得好 "召回率怎么测的、测试集哪来的、多少条" ⑤ badcase 复盘你能不能定位并解决问题 "有没有答错的,你怎么发现、怎么修的" ⑥ 消融实验 / 方案对比你的技术选择有没有依据 "chunk 为什么切这么大""换个 embedding 会怎样" ⑦ 简历描述你能不能把这件事讲成一句有分量的话…

#Deep Research#数据构造与训练#Deep Research 种子数据

Deep Research 训练的种子问题从哪里来，怎样避免一开始就把数据做偏？

匹配正文：…往往不是专家会主动写出的标准题。但日志不是天然高质量数据。一些问题本来就不适合 Deep Research，只需直接回答或一次检索；一些问题依赖用户私有上下文，脱离会话后无法理解；一些问题可能含姓名、账号、合同、公司内部信息和敏感业务。日志进入候选池前，要先确认使用授权、脱敏规则和保留期限。随后做会话补全、意图聚类、噪声过滤和人工抽检。脱敏不能只用正则删除号码。替换实体后还要检查问题是否仍然成立，是否因为删除上下文变成不可回答。现有系统的日志还会反映产品能力偏差。某…

做一个 Agent 项目怎么做:从最小 Agent 到 Deep Research

匹配正文：…function calling 是什么 Agent 项目和 RAG 项目到底差在哪先给结论:RAG 项目的骨架是一条相对固定的检索问答链,Agent 项目多了"自主决策 + 多步 + 工具 + 失败恢复",工程复杂度和不确定性都更高,面试更看你对稳定性和可控性的把握。RAG 里模型基本是"给定检索结果作答";Agent 里模型要自己决定下一步调哪个工具、什么时候停、失败了要不要重试换路。这就是为什么 Agent 项目更难讲清、也更值钱。维度 RAG 项目 Agent 项…

大模型简历怎么写:项目怎么描述、怎么量化、怎么防追问

匹配正文：… Deep Research Agent 示例工程维度架构/状态/工具/权限/监控/成本文档解析 → 分块 → bge 向量检索 + 重排两路召回,加检索失败兜底与查询改写,接入调用日志监控单次成本 ReAct 迭代循环 + 工具注册(搜索/抓取/计算),长程记忆做上下文压缩,关键工具调用加权限确认与 trace 回放业务维度场景/用户/数据源/约束/边界面向某垂直领域内部文档问答,数据源是几百篇 PDF/网页,约束是必须给引用出处、不许编造面向研究简报生成,用…

#Deep Research#数据构造与训练#Deep Research 轨迹生成

Teacher 生成的 Agent 轨迹为什么不能直接拿去训练，怎样筛出高质量样本？

匹配正文：… Research 训练数据时，常见做法是把一批研究问题交给更强的 Teacher 模型，让它使用 Search、Visit、学术检索或计算工具完成任务，再把过程保存下来训练较小模型。听起来像是把“优秀学生的解题过程”交给另一个学生模仿。问题在于，Teacher 更强不等于每次都对。它可能调用格式正确，却选错工具；可能访问了很多页面，却没有推进任务；也可能在工具失败后自行补出一段观察，最后写出一篇流畅但证据对不上的答案。如果这些轨迹未经验证就进入训练，学生模型会同时学到…

要不要做微调 / Post-Train 项目,轻量版怎么做

匹配正文：…决的是完全不同的问题: 需求类型该用什么为什么让模型基于最新/私有知识回答(文档、数据库、时效信息) RAG 知识会变,塞进检索库随时更新,微调进权重的知识改起来贵又慢让模型稳定输出某种风格、格式、固定行为模式(比如固定 JSON 结构、特定话术、领域语气) 微调(SFT/LoRA) 这类"行为习惯"靠 Prompt 反复叮嘱不稳定,写进权重才可靠一次性的简单约束、任务说明、少量示例 Prompt / few-shot 改一行提示词就能调,成本最低,能用 Promp…