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。
「传统 RAG 对比」找到 63 条内容
按专题浏览 →匹配追问：场景切入 我看到你简历上有做电商搜索的经验。假设用户上传了一张穿搭图想找到类似商品，用传统文本RAG肯定不行，你会怎么设计？是先转成文字描述再检索，还是直接做多模态联合检索？ 层层追问 多模态RAG你了解吧？……如果只是把图片转成文本后检索，跟真正把图文统一编码检索，实现上差在哪？……那从信息保留、模型结构、效果上具体怎么比较？ 直球架构 请对比伪多模态RAG和真多模态RAG在实现方式上的差异，并从信息融合、模型架构和性能表现三个角度详细分析各自的优缺点。
匹配口述回答：…LLM配了一个工具箱和一张草稿纸，让它在需要多步推理和外部信息时，能像人一样边想边查。但真正落地，很少只用ReAct，往往是和[[RAG]]、[[Function Calling]]混着用，根据任务复杂度动态切换。 本质问法是LLM如何突破自身知识边界做多步推理 ReAct循环：Thought-Action-Observation 相比纯提示的边界：纯提示适合单步闭卷，ReAct适合多步开卷 业务场景：客服退款多跳查询 风险：工具质量决定上限，推理链过长会发散 可延伸点：Re…
…LM的能力，不是简单替换，而是找到最经济的融合点。我主要从三个技术路径来看：特征表示、用户意图理解，还有生成式推荐。先说特征表示。传统推荐靠ID [[embedding]]，冷启动很弱。LLM能把商品标题、用户评论这些非结构化文本变成高质量向量，本质上是用语义理解补上ID的盲区。具体落地时，我会把物品侧和用户侧分开处理。物品侧直接用LLM编码文本，用户侧聚合历史行为生成动态画像。但这里有个坑：LLM推理太慢，维度又高，线上扛不住。所以实际我会把LLM特征离线预计算，再[[蒸馏…
学习内容与项目面试，在同一条路上。