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。
「RAG 生成阶段」找到 65 条内容
按专题浏览 →匹配口述回答：…oder]] 把候选文档精排，把噪声过滤掉。这里的风险是，重排本身有延迟，如果QPS高，得控制候选数量，不然响应时间会崩。 然后是生成阶段。文档捞回来了，但可能太长，关键信息被淹没，模型反而开始“自由发挥”，也就是 [[Hallucination]]。比如客服回答里，模型把两个政策混在一起编了个新规则。我的做法是引入 [[Self-RAG]]，让模型在生成时自己判断：这个片段要不要引用？引用哪个来源？如果模型不确定，就再检索一次。同时我会做上下文压缩，把长文档里不重要的句子剪…
匹配口述回答：…后答案都会受影响。比如检索没找对，prompt 写得再好也没用；检索找对但上下文塞太多噪声，模型也可能被带偏。 我会特别强调一点：RAG 的上限往往先由检索结果决定，再由生成模型决定。一个成熟系统要同时评估检索侧的 Recall@K、MRR，也要评估生成侧的[[忠实度]]和答案正确率。 RAG本质：用检索约束生成，解决幻觉和时效性 离线预处理：文档切块、Embedding、建向量数据库 在线检索：向量搜索 + 重排序 增强阶段：组装Prompt，控制上下文 生成阶段：引用溯源…
在RAG系统的文档处理阶段，如何进行有效的文本分段优化？请讨论不同的分段策略、重叠处理技术以及如何平衡分段粒度与检索效果。
学习内容与项目面试，在同一条路上。