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。
「垂直领域RAG」找到 42 条内容
按专题浏览 →匹配口述回答：[[RAG]]这道题，我觉得核心是在问怎么通过检索给大模型喂对的信息，来降低[[Hallucination]]。说白了就是，光靠模型参数里的知识不够，得从外部拉文档，但拉什么、怎么拉、拉完怎么喂，每个环节都藏着坑。我先捋一下整体流程，再挑几个关键优化展开。 整个RAG分三段：索引、检索、生成。索引就是把文档切碎、转成向量存进[[Vector Database]]；检索是拿用户问题去库里捞最像的几段；生成是把捞回来的片段和问题拼成提示词，让LLM回答。听起来简单，但落地时每个环…
匹配口述回答：这道题问的是[[RAG]]的完整流程，但我觉得面试官更想听的不是我背一遍流程，而是我有没有真正踩过坑，知道每个环节为什么这么设计。说白了，RAG的本质就是给大模型配一个外挂知识库，让它别再胡编乱造。那这个外挂怎么建、怎么查、怎么用，我分三个阶段来拆解。 先说离线建库。这一步的核心矛盾是：知识颗粒度太粗，模型找不准；太细，又丢了上下文。比如客服场景里的退货政策，一个段落可能有三四百字，里面包含适用条件、退款时限、特殊品类限制，如果按固定512 token切，很可能把条件跟结论切…
这道题问[[RAG]]的流程和优化，我觉得本质上是问：怎么让大模型在不知道答案的时候，学会自己查资料，而且查得准、用得对。很多人一上来就讲检索、生成，但真正落地你会发现，每个环节都有坑，而且没有银弹。 先说文档预处理。很多人觉得[[分块]]很简单，固定切几百个token就行了，但实际场景里，比如企业做客服知识库，退款政策和满减活动经常混在一个文档里，固定切分会把语义切碎，检索时召回一堆不相关的内容。所以我更倾向用 语义分块，就是用模型识别主题边界，比如一个政策讲完退款，下一个…
学习内容与项目面试，在同一条路上。