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。
「Retrieval-Augmented Generation」找到 554 条内容
按专题浏览 →匹配追问：场景切入 假设你做一个电商客服RAG系统，用户问“我的订单什么时候到”，检索模块要从百万级商品文档中找答案。如果检索慢了一两秒，用户早跑了。你会从哪些角度优化检索速度？ 层层追问 检索模块的性能你一般怎么优化？……索引层面有什么手段？……那召回策略上呢，多路召回怎么搭？……如果再进一步，从模型或缓存角度还能怎么压榨性能？ 直球架构 设计一个检索模块，要求毫秒级响应、支持亿级向量。你会选什么索引结构？召回策略怎么设计？Embedding模型要不要量化？缓存和分布式部署怎么搞？说…
匹配口述回答：…写的是“退费流程”，关键词可能匹配不上；向量检索会先把两段文本编码成向量，只要语义相近，距离就会比较近，所以更适合问答、推荐、[[RAG]] 这类场景。 整个链路我一般按三段看：先[[向量化]]，再建索引，最后算相似度并排序。 向量化就是用 Embedding 模型把 query 和文档块都转成固定维度的稠密向量。这里最关键的不是“转成多少维”，而是这个向量空间是否真的学到了业务里的语义关系。比如“退款”“退费”“售后申请”在客服场景里应该靠得很近，但“苹果”在水果场景和手机…
学习内容与项目面试，在同一条路上。