搜索大模型内容

研一/研二转大模型应用开发:三年怎么规划、来得及吗

匹配正文：…向量检索、重排、引用溯源和离线评估使用 LangChain 搭建问答系统像教程复刻针对制度类问答 badcase,调整切块和混合检索策略,提升召回质量并记录错误分类了解 DPO 和 SFT 只写概念构造多模态问答偏好样本,比较 SFT 与 DPO 在格式遵循和答案质量上的差异写完简历后,按简历项目追问模板逐条问自己:“这个指标怎么来的? 为什么不用另一种方案? 如果数据规模扩大 10 倍怎么办? 如果用户问了权限外内容怎么办?”答不上来的地方,就是项目要补的地方。…

项目实战·RAG

第 6 章:重排(Rerank)与检索优化

匹配正文：…章讲怎么把它们"排对" 先看一个排序失败演练(这是本章的"为什么") 下面是用合成条款构造的教学场景,不是线上投诉或客户事故。假设混合检索已经把正确 chunk 召回,但候选顺序仍可能让生成阶段误判。有个典型 case:用户问"孩子摔伤住院,意外险能赔吗?" 系统召回的候选里,「保险责任(承保意外医疗)」和「责任免除(某些情形不赔)」两条都在:正确答案明明召回到了。但喂给 LLM 的上下文里,「责任免除」那条因为字面和问题更像,被排在了最前面,LLM 顺着第一条的语气答了句…

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#RAG#检索#项目实战

系统教程·AI 编程

从零拼一个最小 RAG 问答

匹配正文：…否定条件的教学样本检查语义边界，避免主句和例外条件被切散。检索：向量与关键词可能在专名、语义相近但条件不同的查询上各有短板。是否混合检索，应在固定题集上对照验证，不能预设某种方案一定更好。重排:召回一堆,怎么把最相关的排到前面 → Cross-Encoder 精排。评估:怎么量化"答得准不准" → 召回率 / QA 准确率。 👉 想做深,直接看站内 RAG 完整项目教程:沿着文档处理、检索、重排、引用与评测完成项目，并查看配套 GitHub 代码；效果数字要由自己的评…

#Agent#AI 编程

项目实战·RAG

第 10 章:系统评估与上线优化

匹配正文：…(这是本章的"为什么") 下面是为了说明评估流程而构造的团队讨论,不是作者或学员的客户项目记录。前面九章一路在"优化":换切分、上混合检索、加重排……每次改完都有人说"感觉更准了"。这时应该追问:"准了多少?你怎么知道是真变好,不是错觉?" 如果回答不出来,说明团队仍在凭感觉调参。改了 A 觉得好,改了 B 也觉得好,可到底哪个真有用、提升多少,谁也说不清,因为没有一把客观的尺子。正确做法是建立评估集:从目标资料与使用场景中抽样问题,每道事先人工标好"正确答案应该来自哪个 …

#RAG#检索#项目实战

没有大模型项目经验,怎么攒出能写进简历的项目

匹配正文：…越具体,项目越像真的。技术决策和权衡是四条里最值钱的。面试官真正在挖的是「你在岔路口选了哪条、为什么」。切块策略、嵌入模型选型、混合检索的权重、什么情况下检索失败怎么兜底——每一个「选了 A 没选 B」的地方都是一个可讲的决策点。量化结果哪怕数字是自己构造的测试集测出来的,也远胜于没有。「召回率 81%」自带追问入口(怎么测的、测试集怎么来的),而「效果不错」是死路,面试官接不下去,只会觉得你没做过。扛住追问是前三条的验收。一个技术点如果只经得起一层提问,说明你只是用了…

手把手把 RAG 教程做成"你自己的"项目

匹配正文：…别的吗" Embedding 选型选了哪个模型、和备选的对比 "为什么这个 embedding,维度/成本怎么权衡" 检索召回·混合检索向量+关键词混合的召回对比 "只用向量行不行、混合提升了多少" 重排与检索优化加 rerank 前后的指标变化 "rerank 解决什么问题、值不值这点延迟" Query 理解与改写改写/扩写对难 query 的效果 "用户问得含糊你怎么办" 多轮与记忆多轮指代消解的处理 "第二轮'它呢'你怎么接住上文" 引用溯源答案带引用、可回…

面试题·RAG

Rerank 为什么更准，却不能对整个知识库运行？

匹配正文：…最近邻索引快速缩小范围的意义。合理的链路更像漏斗。第一层先根据知识库、文档状态和权限限定搜索范围。第二层用 BM25、向量或混合检索快速取得一批候选。第三层对候选执行 Rerank，重新计算相关性顺序。第四层根据分数、来源和上下文预算截取最终证据。从全库到最终证据的检索漏斗快速召回负责缩小范围，Rerank 只处理候选，最终再按上下文预算截断。各层解决的问题不同。这条链路里，Rerank 不负责凭空找回候选集之外的文档。如果正确证据没有进入粗召回 Top-N…

#RAG#检索与重排#RAG Rerank

大模型岗面试流程全解:每一轮考什么、怎么准备

匹配正文：…。这是整份准备里投入产出比最高的地方,务必先补。八股部分按岗位方向抽,不会全都问: RAG 方向:检索链路(切块策略、嵌入选型、混合检索、重排)、评估指标。 Agent 方向:工具调用与规划(Function Calling、ReAct、失败恢复、多步编排)。微调方向:LoRA/QLoRA 原理、数据构造、灾难性遗忘。推理方向:KV Cache、量化、批处理与吞吐优化。这些在领域八股速通里按模块整理好了,题库入口在 /questions,每道题有书面答案和口语版讲法。…

#Agent#记忆与存储#Agent 记忆检索排序

面试题·Agent

Agent 从海量记忆里怎么找对内容？相关性、时间性和重要性怎样组合

匹配正文：…忆类型匹配、条件满足程度、与当前计划步骤的关联。结构化条件可以先过滤或作为强特征，不要全部压成自然语言交给 Embedding。混合检索不是为了堆算法，而是弥补单一检索的盲区。精确标识、专有名词和版本号适合关键词或结构化查询，模糊表达与同义改写适合向量。合并后再去重和重排。时间性怎样计算才不会误伤长期事实越新的记忆不一定越正确，越旧的记忆也不一定过期。昨天的会议安排可能今天已经无效，多年前确认的语言偏好仍可能有效。统一按创建时间衰减，会让稳定身份或长期规则被短期噪音挤…

项目深挖:面试官会怎么一层层追问你的项目

匹配正文：…有、对召回的影响文档预处理与切分检索召回你懂不懂检索的取舍向量/关键词/混合怎么选,召回率怎么测、多少条测试集检索召回·混合检索 rerank 你的每个模块是不是都"知道为什么在" 选哪个 rerank 模型、不加会差多少、怎么量化的重排序引用溯源你有没有考虑可信和幻觉答案怎么带出处、怎么防"检索到了但答错" 引用与溯源评估你怎么证明"做得好"不是空话评估集怎么建、指标怎么定、离线还是在线评估体系 badcase 你能不能定位并修问题举一个答错的例…

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

匹配正文：…"召回准不准"的关键一环,效果好坏经常卡在这。面试官问重排,是想确认你不只会 embedding 一把召回,还懂用 rerank、混合检索去补救长尾和边角 case。维度内容面试官在验证什么你是否理解召回为什么会掉、rerank/混合检索/多路召回怎么补,以及各自的代价先看哪个 RAG 重排章代表题型 "为什么要 rerank""向量召回和 BM25 怎么结合""重排模型怎么选""topK 怎么定" 项目里怎么体现讲你加没加重排、召回从多少提到多少(经验值)、为…

面试题·RAG

Recall@K、MRR、Faithfulness，分别在评估 RAG 哪一层？

匹配正文：…y 改写、过滤条件、Embedding 和召回策略。情况二：Recall 高，MRR 低正确证据找到了，但排得太靠后。优先检查混合检索融合、Rerank、时效性或权限过滤后的排序，以及最终上下文截断。这时继续扩大候选 K 可能不会解决问题，反而增加成本。更关键的是让最有用的证据进入模型实际可见的位置。情况三：Recall 和 MRR 都正常，Faithfulness 低检索结果大概率已经可用，问题更可能出在上下文组织、Prompt 约束、答案生成或事实归因。要查看…

#RAG#评测与上线#RAG 评估指标

项目实战·RAG

附录:把这个 RAG 项目写进简历 & 面试应答

匹配正文：… 写简历的万能公式个人动作 + 具体技术方案 + 可核验结果。三样齐了,一条 bullet 才能说明你做过什么。空泛的"使用了混合检索,显著提升准确率",应改成事实填空句:"我负责 <模块>，实现 <方案>；在 <评估集与配置> 下，<指标> 从 <基线实测> 变为 <方案实测>。"没有实测就不要填数字。概念 3:从 what 到 how 到效果面试官想听的不是你"用了什么"(what),而是"为什么这么用、怎么用的"(how)和"结果如何"(效果)。简历上每一句,都…

#RAG#检索#项目实战

面试题·Agent· 字节

Agent 长短期记忆如何分层?

匹配正文：…校验、去重、来源、权限与敏感信息检查，再带时间和版本写入结构化库、文本库或向量索引。新请求按身份与任务作用域做关键词、向量和结构化混合检索，再按相关性、时效性、重要性和权限重排，在上下文预算内注入。事实、原文和向量用稳定 ID 关联。向量用于候选检索，精确属性和状态由结构化存储承载；用户纠正应生成新版本或显式覆盖规则。摘要是有损表示，必须保留原始证据引用。系统按租户和主体分区，使用事件日志、幂等写入、删除和过期策略。多 Agent 默认隔离，只共享明确授权的命名空间。评估…

#字节#Agent#Agent 记忆架构

面试题·Agent· 得物

大模型记忆机制怎么改进?

匹配正文：…T）知识图谱或关系型存储复杂推理、工具调用关键设计点：写入策略：非全量存储，用模型生成摘要/事件三元组压缩信息检索策略：混合检索（向量相似度 + 时间近邻 + 重要性评分）一致性维护：定期触发**记忆反思（reflection）**整合碎片化信息三、检索增强：RAG与Agent记忆融合 RAG-based Memory 将历史交互切分chunk，构建可检索记忆库与实时RAG区分：记忆检索强调时序性和因果关联，需保留对话状态链增强方案记忆树（Memory T…

#得物#Agent#大模型记忆机制

面试题·Agent· 高德

Agent记忆分层与RAG检索

匹配正文：… 重要性标记 LLM自动打标（关键决策/用户确认/异常事件）重要节点不被遗忘访问频率 LRU + 频次统计热点记忆缓存加速混合检索公式：Final_Score = α·semantic + β·recency + γ·importance 动态更新与遗忘机制记忆写入流程原始对话 → LLM提取结构化记忆（实体-关系-摘要）→ 语义去重 → 分级存储关键策略摘要压缩：每N轮对话由LLM生成摘要，替代原始文本增量更新：相同实体的新信息合并更新，保留时间戳链主动…

#高德#Agent#向量检索

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配正文：… ↓ 模型层：OpenAI/Claude/本地模型场景示例：企业智能客服 LlamaIndex构建产品手册的向量索引+关键词索引混合检索 LangChain Agent判断用户意图，决定直接回答/检索知识库/转人工/调用订单API 选型建议场景推荐方案纯RAG应用 LlamaIndex为主复杂Agent工作流 LangChain + AutoGen 已有数据基础设施 LlamaIndex检索 + 自研Agent 快速原型验证 LangChain（生态最成熟）学习建…

#阿里云#Agent#Agent 框架对比

Chunk 向量化与索引怎么选?

匹配正文：… 十亿级规模、企业级生产环境 Pinecone 全托管、零运维、自动扩缩容快速上线、团队运维资源有限 Weaviate 原生支持混合检索（向量+BM25）、GraphQL接口需要关键词+语义联合召回 Qdrant Rust实现、内存效率高、过滤性能强元数据过滤复杂、内存敏感 pgvector PostgreSQL插件、事务支持好已有PG生态、数据量<千万级四、工程选型决策框架关键权衡维度数据规模 <1000万：pgvector或单机Milvus足够 1亿：必须分…

#字节#向量检索#Chunk 向量化

Embedding+向量库怎么做语义匹配?

匹配正文：…阈值过滤：低于阈值的结果直接丢弃，避免引入无关内容 Rerank环节：用Cross-Encoder对召回结果精排，显著提升准确性混合检索：向量语义检索 + BM25关键词检索融合，互补覆盖一句话总结 Embedding模型解决"理解语义"问题，向量数据库解决"快速查找"问题，二者协同实现从海量文档中精准定位相关知识。学习建议建议先掌握嵌入模型原理和向量数据库基本操作，再结合RAG流程理解检索环节的语义匹配逻辑，通过动手实践加深理解。

#字节#文档处理#向量检索

RAG 文本分块与向量索引流程

匹配正文：…回率>95% IVF-PQ：倒排+乘积量化，内存压缩10-20倍，适合海量数据动态更新：增量索引避免全量重建四、检索增强 # 混合检索示例：向量相似度 + BM25关键词 def hybrid_search(query, alpha=0.7): dense_score = vector_db.similarity_search(query) sparse_score = bm25_search(query) return weighted_fusion(dense_sco…

#字节#文档处理#向量检索