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。
「工具选择」找到 71 条内容
按专题浏览 →匹配正文：… 第三类是证据。 关键主张是否被 observation 支持，引用是否指向真实来源，是否把搜索摘要越界当原文。 第四类是过程。 工具选择和参数是否合理，是否无效循环，错误后是否恢复，证据足够后是否停止。 第五类是安全与边界。 是否遵守权限、来源限制，证据不足时是否承认不确定。 这些分项最好分别记录，再决定怎样组合。若只保留一个总 reward，无法判断模型到底因为答案、格式还是更短轨迹得到高分。 任何高分都不能抵消事实虚构、越权或严重协议错误等硬失败。 GRPO 从采样到更…
匹配正文：…过程可靠。 它可能凭预训练记忆猜中答案，也可能只看搜索摘要，碰巧没有犯错。换一个日期、对象或来源，捷径就会失效。 反过来，一条轨迹工具选择合理、引用完整，也可能因为网页更新、计算错误或遗漏子问题，最终报告仍然不合格。 Deep Research 是开放任务，又是多步骤过程。只看最终文本，会把“蒙对”当能力；只看步骤，又可能忽略交付结果。 相关评估材料明确把质量拆成结果与过程两个层面，并要求准确、引用、报告质量和效率共同观察。 所以面试官真正想问的是： 结果质量和过程质量分别评…
按学习路线查看教程、项目和面试题。
匹配正文：…前从代表性轨迹库选择任务做影子回放，覆盖成功、失败、长任务、工具异常和高风险路径。 比较不能只看最终文本相似。要看任务完成、引用、工具选择、参数、循环、错误恢复、人工确认和资源使用。开放答案使用 rubric 与人工抽检，结构化动作使用规则。 新版本若修复一种 Badcase，却增加无效调用或跳过权限门禁，应被发现。关键安全断言设置硬失败，不能被综合分数抵消。 历史轨迹会过时。工具和业务规则变化后，需要标记适用版本和更新样本，避免回放只奖励旧行为。 怎样验收可观测系统 让规划…