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。
「RAG 评估」找到 315 条内容
按专题浏览 →匹配追问：这些方案在训练和推理阶段的适用性有何差异？实际部署中如何评估长上下文方案的效果？如果要在32K基础上扩展到1M上下文，你会优先尝试哪种方案组合？ 场景切入 假设现在要让原生上下文较短的模型处理一份超长文档。你会怎样在位置外推、分块检索、注意力优化和系统容量之间组合方案？ 层层追问 位置编码能算到更长是否等于模型会用？……分块会丢什么跨段信息？……稀疏/分布式注意力解决什么？……KV、显存与目标长度评测怎样约束选型？ 直球技术 请从位置插值/缩放与继续训练、分块/RAG、稀疏或…
匹配口述回答：…分工和并行 通信协调一致性三大坑 幻觉传播和成本是LLM特有 适合复杂拆分场景，简单任务别用 约4分钟 幻觉传播可以通过Self-RAG或Chain-of-Verification降低，但会带来延迟和成本权衡 面试官可能会追问具体如何实现Self-RAG，或者问如何评估多Agent系统的幻觉传播程度
匹配追问：…。这时候你既要决定“怎么问”模型，又要决定“给什么”模型。那这两件事——提示工程和上下文工程——你觉得是一回事吗？ 层层追问 你做RAG的时候，一般怎么构造给模型的输入？……是先写提示词模板，还是先处理检索回来的文档？……如果检索结果质量差，提示词写得再好也没用，那这两者到底谁更重要，它们怎么配合？ 直球架构 请解释一下上下文工程和提示工程在大模型应用中的区别和联系。它们各自的目标、方法、应用场景是什么？上下文工程具体怎么做，比如检索、重排序、压缩这些步骤，和提示工程怎么协同…
学习内容与项目面试，在同一条路上。