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。
「向量数据库 Agent」找到 51 条内容
按专题浏览 →匹配正文：…-512 tokens） 向量化：用Embedding模型（如BGE、text-embedding-3）编码为稠密向量 存储：写入向量数据库（Milvus、Faiss、Pinecone），可叠加倒排索引做混合检索 2. 检索阶段（在线） Query改写：扩展、澄清用户问题，提升召回率 相似度计算：余弦相似度/IP距离，Top-K召回 重排序（Rerank）：用Cross-Encoder精排，过滤低质片段 3. 生成阶段 上下文组装：检索结果 + 用户Query → 构造Pro…
匹配口述回答：…实际选型时，我会先画出系统的数据流和决策流，再决定哪个框架做主力。 本质是工作流编排 vs 数据检索 LangChain适合多工具Agent场景 LlamaIndex适合知识库精细检索 实际落地常组合使用 风险与取舍 约4分钟 百万级数据量时LlamaIndex默认索引可能性能不足，需要分库、缓存或改用更轻量的Faiss。 面试官可能会追问大规模索引的优化策略，比如分片、缓存、HNSW参数调优，或者LlamaIndex与向量数据库的集成方案。
…叠 向量化：用Embedding模型（如BGE、M3E、OpenAI text-embedding-3）编码为稠密向量 存储：写入向量数据库（Milvus、Faiss、Elasticsearch），可搭配稀疏索引（BM25）做混合检索 查询阶段（在线） 用户Query → 查询改写（可选）→ 向量检索（Top-K）→ 重排序（可选）→ 上下文拼接 → LLM生成 关键组件详解 组件 作用 典型选择 Embedding模型 语义编码 BGE-large、GTE、E5 向量数据库…
学习内容与项目面试，在同一条路上。