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。
「LoRA微调」找到 51 条内容
按专题浏览 →匹配口述回答：…切成块建索引，每次检索到对应条款，模型直接引用条款回答，准确率能到95%以上，而且政策更新只需替换文档，不用重新训练。 那RAG和微调的边界怎么划？我的理解是：知识频繁更新、需要溯源、对[[幻觉]]零容忍的场景，优先RAG，比如企业SOP、合规文档、客服知识库。需要改变模型行为风格、或者内化复杂推理模式的任务，更适合 [[LoRA]] 微调，比如把模型调成客服语气。但实际落地常常是两者一起上：微调让模型学会用检索工具，RAG提供最新知识，互不冲突。 不过RAG也不是银弹，有个…
匹配口述回答：…，比如一步失败就回滚。 这里有个延伸点：如果模型本身不支持结构化输出约束，比如开源小模型，光靠提示工程和后处理可能不够，那就要考虑微调了。比如用[[LoRA]]在训练数据里加入格式正确的样本，让模型从底层学会输出JSON。但这又涉及数据成本和模型更新频率的问题。 所以我的判断是，没有银弹，关键是根据错误容忍度设计降级链路：先解析，失败就重试，再失败就规则兜底，最后人工介入。我更倾向把提示工程和后处理作为标配，硬约束按场景按需引入，这样既灵活又可控。 本质是平衡软约束、硬约束和…
匹配口述回答：…程经验，而不是框架名词表。 这道题本质在问技术选型与落地的权衡 先说框架选型：LangChain+自研层，为什么这么搭 模型训练：LoRA微调工具调用，轻量分类器做意图路由 关键方案：改进的ReAct循环、记忆设计、工具注册规范 落地踩坑与风险：幻觉确认层、延迟优化、边界条件 收尾判断：把Agent看成持续迭代的系统，不是一次性搭建 约4分钟 工具调用失败后的恢复策略：重试、降级、异步告警，这是线上稳定性的关键。 面试官可能会追问：降级的具体策略怎么设计？重试次数怎么定？降级…
学习内容与项目面试，在同一条路上。