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。
「RAG 检索优化」找到 37 条内容
按专题浏览 →匹配口述回答：…会设计一个兜底逻辑：当检索到的文档与问题相关性低于阈值时，直接返回“请转人工”，而不是让模型硬答。 最后说下我的取舍。我更倾向把 RAG 看作一个增强组件，而不是万能的。它的上限由检索质量决定，所以我会把精力优先放在索引构建和检索优化上，比如用 [[Parent Document]] 策略平衡块大小和上下文完整性。另外，我最近在关注 [[Self-RAG]] 这种让模型自己判断是否需要检索、检索后是否足够可信的思路，它把决策权交给模型，但代价是推理更复杂，计算量更大。我觉得这…
匹配口述回答：这道题问[[RAG]]的架构和检索优化，我觉得本质是在问：怎么把外部知识可靠地注入到生成模型里，同时控制好延迟和[[幻觉]]。RAG不是简单拼装，而是检索和生成的桥接，设计时要时刻想着它们怎么配合。 先说核心架构，就是检索器加生成器再加一个融合机制。用户query进来，检索器从知识库捞Top-K文档，拼成prompt喂给LLM生成答案。这里有个关键前提：证据漏召回会限制基于该证据集作答，但高召回不保证忠实生成；解析、权限、重排、上下文与生成都要分阶段评估。所以我会把重心放在检…
这道题其实是在问，当[[RAG]]的检索环节掉链子时，怎么系统性地定位和修复。我一般先定位失效环节，是召回不够、精度太差，还是排序没排好。比如召回问题，相关文档根本没进候选池，那可能是向量表示不够好或检索范围太小；精度问题就是噪声文档混进来了，需要过滤或[[重排]]；排序问题则是相关文档得分低，得改进重排模型或特征。 具体到方案，我重点讲几个点。先说查询侧优化。用户query经常口语化、缺主语，我会用LLM做意图澄清，扩展同义词、补全主体。还有一个好用的技巧是HyDE，先用模…
学习内容与项目面试，在同一条路上。