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。
「提示工程 vs 微调 vs RAG」找到 41 条内容
按专题浏览 →匹配正文：…]说...文档[2]说..."），明确标注来源 动态上下文窗口：根据问题复杂度调整送入LLM的文档数量 2. 生成模型/推理优化 微调策略：用领域数据SFT，强化"基于给定上下文回答"的指令遵循能力 Prompt工程：添加显式约束，如"若上下文无法回答，请明确说明" 解码策略调整：降低temperature减少发散，或改用CoT激发推理能力 3. 反馈闭环机制 收集"检索准但生成错"的样本，构建针对性训练集 引入Self-RAG或迭代生成：让模型先生成、再自检、后修正 三、快…
匹配正文：…规则 / 关键词:列好每类意图的关键词,命中就归类。简单可控,但换种说法就漏、要人工维护。 机器学习(BERT 分类):用标注数据微调一个分类器,对同义表达更鲁棒,但要标注、要训练。 LLM Prompt:把意图选项写进 prompt 让大模型判断,零样本就能用,但有成本、延迟,需控偏差。 业内行话:实务里常组合用:冷启动期先用 LLM 粗分类(快、不用标数据),等线上攒够真实 query 和标注,再训一个 BERT 分类器(稳、便宜、低延迟)接管。没有最好,只有最配:按"意…
匹配正文：…· 验收串题 ｜ ~10% 学到这一步,做几道题验证一下,知道自己学到位没。 关联面试题(5 道,覆盖 5 个角度) 【上下文拼 Prompt】 生成阶段如何基于检索文档和用户查询,把上下文整合进 Prompt 来引导大模型作答? 中等 → 【检索对了生成还差】 检索已返回相关文档,生成仍不理想,可能的原因有哪些(提示工程/上下文建模/微调)? 中等 → 【RAG 缓解幻觉】 RAG 如何通过引入外部知识缓解幻觉?实现机制和效果边界是什么? 较难 → 【输出真实性验证/溯源】…
学习内容与项目面试，在同一条路上。