搜索大模型内容

CoT vs ToT vs GoT 怎么选?

匹配正文：… 评估器可靠性：ToT/GoT依赖LLM自我评估，但模型对复杂状态的判断常不稳定延迟与成本：ToT的多次采样+评估在实时场景（如高德导航的实时路径重规划）难以承受任务适配成本：从24点游戏迁移到真实业务，状态定义、评估prompt需大量人工设计四、选型建议追求速度+成本：CoT + Self-Consistency（多次采样选多数答案）需要探索+可承受延迟：ToT with 限定深度+启发式剪枝复杂迭代优化：GoT，但建议先验证评估器质量，或引入外部验证（如代码执…

← 上一页第 2 / 2 页

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

#高德#CoT ToT GoT 对比#大模型规划能力

ReAct vs 纯提示：为何更优？

匹配标题与标签：ReAct vs 纯提示：为何更优？相比单纯 Prompting 在复杂任务中的优势分析 Prompt 高德 Agent ReAct 框架 ReAct vs Prompting 复杂任务推理高德

ReAct 核心思想与多步推理优势

匹配标题与标签：ReAct 核心思想与多步推理优势推理与行动结合,对比纯提示方法在多步任务中的优势 Prompt 高德 Agent ReAct 框架推理与行动多步推理任务纯提示方法对比高德

ReAct 如何结合推理与工具使用？

匹配正文：…Thought可调整策略，而非继续错误推导本质区别纯Prompting是开卷考试闭着眼答，ReAct是允许查资料且边查边想。高德场景举例：路径规划时，ReAct会先思考"用户要避开拥堵"，再调用实时路况API，发现某路段封路后，重新规划替代路线——纯Prompting做不到这种动态适应。学习建议建议系统学习该知识点

ReAct 框架为什么优于纯提示?

匹配标题与标签：ReAct 框架为什么优于纯提示? 复杂任务中推理与行动协同的核心思想与优势分析 Prompt 高德 Agent ReAct 框架 Reasoning+Acting 复杂任务 Agent 高德

向量数据库怎么支撑 Agent 记忆?

匹配标题与标签：向量数据库怎么支撑 Agent 记忆? Embedding 模型与检索策略设计,关键优化方法及召回提升检索高德重排与优化文档处理 Agent 向量检索 Agent 记忆向量数据库 Embedding 模型检索策略记忆召回高德

#高德#重排与优化#文档处理

记忆型Agent为何用向量数据库?

匹配标题与标签：记忆型Agent为何用向量数据库? Embedding选择、向量化设计及检索策略详解检索高德 Agent 向量数据库 Agent Embedding 选择原则记忆型智能体检索策略高德

#高德#Agent#向量数据库 Agent

RAG增强与生成如何衔接？

匹配正文：…管理重排序 BGE-Reranker-v2 计算成本高，控制候选规模幻觉控制引用+置信度阈值不能100%消除，需人工兜底高德场景下，地图POI、实时路况等结构化数据需特殊处理：先SQL过滤再向量检索，混合查询提升精度。

#高德#RAG#RAG 工作流程

RAG 组件功能与数据流向?

匹配标题与标签：RAG 组件功能与数据流向? 检索增强生成各组件功能、数据流向与关键技术环节详解检索高德 RAG数据流 RAG 工作流程检索增强生成组件 RAG 数据流向 RAG 关键技术高德

#高德#RAG数据流#RAG 工作流程

RAG 系统实现流程怎么搭?

匹配标题与标签：RAG 系统实现流程怎么搭? 文档处理、向量化、检索与生成模型集成全解析检索高德 RAG结果融合 RAG 实现流程 RAG 系统架构 RAG 高德

#高德#RAG结果融合#RAG 实现流程

语义检索向量数据库构建流程

匹配正文：…处理清洗：去HTML标签、特殊字符、统一编码，保留语义关键信息分块策略：按语义段落切分（非固定长度），重叠窗口保证上下文连贯；高德场景可考虑POI名称、地址等结构化字段单独处理元数据关联：保留原始ID、时间戳、地理位置等过滤字段，用于后续混合查询 2. 嵌入模型选择考量维度选择建议领域适配通用场景用BGE/M3E，地图/POI场景考虑领域微调多语言高德需支持中英文混合，E5-Multilingual或BGE-M3 维度权衡 768/1024维平衡效果与存储，…

#高德#评估与监控#向量数据库构建