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。
「LLM 检索增强生成」找到 414 条内容
按专题浏览 →匹配正文：…速"这类规则 成本权衡：摘要用7B模型，主推理用70B；向量检索用HNSW索引，召回 latency <50ms 学习建议 建议从RAG和Agent架构基础入手，理解向量检索、摘要模型和分层记忆设计模式，结合论文与开源项目（如MemGPT）实践核心流程。
匹配口述回答：这道题其实是在问，大模型怎么从单纯的文本生成器，升级成一个能调用外部工具的决策中枢。[[Function Calling]]本质上不是让模型去执行函数，而是让模型输出一个结构化的调用意图，包括函数名和参数，真正的执行由外部系统来做。这个边界一定要清楚，模型不负责执行，只负责决策。 和相邻方案比，它的适用场景很明确。如果模型只是需要补充知识，比如回答一个事实性问题，那用[[RAG]]去检索文档库就够。但如果模型需要完成一个动作，比如查天气、订票、操作数据库，那就必须靠Funct…
匹配正文：…、座位偏好 工具 → 调用：航班API获取数据，比价工具筛选 反馈 → 确认：价格/时间是否符合预期，失败则换日期重查 核心洞察：LLM不直接解决问题，而是调度各模块形成决策闭环，这是Agent区别于简单Prompt工程的本质。 学习建议 建议从经典Agent架构（如ReAct、Reflexion）入手，理解感知-思考-行动循环，结合RAG与工具调用案例加深对模块协作的理解。
学习内容与项目面试，在同一条路上。