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检索」找到 476 条内容
按专题浏览 →匹配正文:… 全局搜索:针对抽象问题("主题是什么"),遍历社区摘要进行聚合推理 局部搜索:针对具体问题("某实体的属性"),定位子图进行精确检索 与传统RAG的关键差异 维度 传统RAG GraphRAG 检索单元 文本块/向量片段 实体、关系、社区摘要 推理能力 局部语义匹配 全局关系推理、跨文档聚合 擅长问题 "某段文字说了什么" "这些文档共同的主题是什么" 上下文组织 平铺的top-k片段 层次化的图结构 优势与适用场景 核心优势 解决连接性查询:需要综合多文档信息才能回答的问…
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…
匹配正文:…知识库构建 收集UI设计规范、组件库文档、产品手册作为文本知识 关键:将组件截图/设计稿与功能描述配对,构建图像-文本对 用多模态Embedding模型(CLIP、SigLIP或专用UI模型如UIBert)编码入库 3. 跨模态检索 用户截图经相同视觉编码器得到query embedding 两级检索:先全局匹配找相似界面类型,再组件级局部匹配 检索结果:相似组件的功能说明、使用场景、交互规范 4. 增强生成 Prompt整合:组件位置图 + OCR文本 + 检索到的知识片段…
按学习路线查看教程、项目和面试题。