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」找到 565 条内容
按专题浏览 →匹配正文:…aphRAG的优势场景:如"总结整个数据集的主题"这类需要聚合推理的问题 GraphRAG 核心思想 传统RAG把文档切成文本块做向量检索,本质是**"找相似片段";GraphRAG则是先构建知识图谱**,把非结构化文本转化为结构化的"实体-关系-实体"网络,实现基于图结构的推理检索。 工作流程(微软开源方案) 阶段 关键操作 1. 索引构建 用LLM从文本中抽取实体(人/组织/概念)和关系,生成图结构 2. 社区检测 用Leiden等算法对图做聚类,发现紧密关联的实体社区 …
匹配正文:…块时保留页码、区域和时间戳;查询做模态识别与改写;多路召回、跨模态重排;最后编排上下文、生成并验证引用。 索引可将多模态对齐到共享向量空间,也可为各模态分别建索引后用 RRF、分数校准或重排器晚融合。共享空间便于跨模态检索但可能损失模态细节;分索引保留专用能力却增加路由和校准复杂度。 关键挑战包括:细粒度区域或时间片对齐;OCR/ASR 错误和域偏移;有限上下文内的证据去重与排序;版权、隐私、提示注入和访问控制。评估要拆分各模态 Recall@K、跨模态重排、答案忠实度、引用…
匹配正文:…,容易陷入局部最优或循环 工具调用可靠性不足:API失败恢复、参数纠错、结果理解仍是痛点 2. 记忆与上下文瓶颈 长期记忆依赖外部向量库,但语义检索的召回率和相关性不稳定 跨会话的状态维护、用户偏好学习缺乏有效机制 3. 自主性与可控性的矛盾 完全自主意味着不可预测,业务场景需要可解释、可回滚的决策轨迹 当前缺乏"知道何时该问人"的优雅降级机制 4. 评估与迭代困境 Agent效果难以量化,传统NLP指标失效,人工评估成本极高 技术突破方向 方向 关键进展 对Agent的意义…
学习内容与项目面试,在同一条路上。