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。
「医疗 RAG」找到 83 条内容
按专题浏览 →匹配口述回答：…合规政策，模型胡编一个答案，那后果很严重。所以这个策略适合通用知识类问题，不适合专业或敏感场景。 最后就是转人工或者提单。在金融、医疗这些场景里，宁可让用户等，也不能给错答案。这是最兜底的方案，但人力成本高，时效也差。 实际落地上，我不会只用一种策略，而是组合起来。我一般会设两个阈值：一个低阈值，一个中阈值。检索分数高于中阈值，正常回答；低于低阈值，直接转人工或追问；介于中间，就用大模型兜底并带上置信度警告。而且阈值不是死的，我会根据问题类型和用户身份动态调。比如技术类问题阈…
匹配口述回答：这道题问的是[[RAG]]的完整工作流程和瓶颈优化，其实本质是在问一个系统级问题：你怎么让大模型在知识密集型任务上既快又准地给出答案，同时还能落地。我先画个框架，RAG可以拆成四个阶段：索引构建、检索召回、精排过滤、生成合成。但真正上线跑过的人都知道，最影响体验的其实是中间两个阶段，检索和精排。 先说检索延迟这个瓶颈。如果你的[[向量库]]到了千万级，用[[HNSW]]索引，P99延迟很容易飙到500毫秒以上，用户等不了。我的做法是分场景：对高频query，我会加一层缓存，用…
匹配口述回答：…’，我会用多查询扩展，生成几个语义等价的变体，比如‘退货流程’‘退款条件’，并行检索后再去重聚合。这是最稳的。如果问题很专业，比如医疗领域，我会用 HyDE，让模型先生成一个假设答案，再用这个答案的 [[Embedding]] 去检索。你可能会想，这不引入[[幻觉]]了吗？对，所以前提是你的领域知识库足够封闭，生成的假设答案不会跑偏。再一个，复杂多跳问题，像‘2024年X公司营收多少，它CEO是谁’，我会拆成子问题链，先查营收再查CEO，逐层检索。但真正落地时，我不会只用一种…
学习内容与项目面试，在同一条路上。