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。
「法律」找到 90 条内容
按专题浏览 →匹配正文：…化；块过大→Embedding稀释、召回噪声 4. Embedding生成 模型选择：通用场景用BGE/M3E，垂直领域需微调（如法律/医疗） 批处理优化：GPU并行、动态长度填充 质量验证：抽样人工评估语义相似度，监控离群点 5. 向量存储与索引构建 索引结构： HNSW：高召回、内存型，适合百万级 IVF+PQ：亿级规模、磁盘友好 元数据设计：必须包含doc_id、chunk_index、source、timestamp，支持过滤查询 性能影响：索引参数（efConstr…
匹配正文：…最佳实践 1. 重叠策略（Overlap） 把零重叠、短窗口与较长窗口列为候选，在同一评测集上验证是否减少跨边界证据缺失 对代码、法律条文等边界敏感内容尤为重要 2. 边界感知 优先在段落、句子边界切分，不在词中间断开 特殊内容（表格、列表）尽量保持完整 3. 尺寸匹配 参考embedding模型的训练长度（如text-embedding-ada-002用8191 tokens） 预留LLM的上下文空间：chunk大小 + prompt + 输出 < context wind…
匹配正文：…优点：保留语义完整性，检索结果可读性强 缺点：块大小不均，可能过长（超出模型窗口）或过短（信息密度低）；主题分割计算开销大 适用：法律合同、学术论文等结构清晰的文档 3. 滑动窗口/重叠分块 实现：设定块大小与滑动步长，相邻块重叠；两者都作为待测变量，由同一评测集决定 优点：避免边界信息丢失，保证上下文连贯性 缺点：存储冗余增加（~2倍），检索可能返回重复内容需去重 适用：对话历史、代码等强上下文依赖场景 4. 智能分块（进阶） Agentic分块：用LLM判断断点（如"此处…
学习内容与项目面试，在同一条路上。