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 评估指标」找到 54 条内容
按专题浏览 →匹配口述回答：…型检查答案是否覆盖了文档里的关键点，漏了就重试或提示。 其实还有一个方向值得关注，就是让模型自己反思生成质量，比如 [[Self-RAG]] 的思路。它不是在生成后校验，而是在生成过程中就判断要不要检索、要不要引用，动态调整。我觉得这可能是下一代[[RAG]]的方向，比静态调参更灵活。 所以整体上，我会把这个问题看成一条迭代链路：先诊断根因，再按成本从低到高尝试，每一步都要有评估指标，比如忠实度、连贯性。我更倾向于先用Prompt和上下文处理解决80%的问题，剩下20%再考虑…
匹配口述回答：…%才值得上GraphRAG，否则性价比不高。 GraphRAG的本质是结构化推理而非文本匹配 构建流程：实体抽取到社区摘要 与传统RAG的边界：局部vs全局 业务场景举例与落地风险 工程师的取舍判断 约4分钟 社区摘要的层级设计需要根据文档数量和查询复杂度动态调整，最优策略与图结构相关。 面试官可能会追问：怎么动态调整层级？有没有具体的调参经验或评估指标？
匹配口述回答：这道题其实是在问，[[Agent]] 到底解决了 [[RAG]] 解决不了的问题，以及它自己的坑在哪。我先说清楚边界：RAG 适合的是信息密集但流程固定的场景，比如企业 SOP 查询，你问它退货运费谁承担，它把政策文档拉出来生成回答就行。但 Agent 呢，它做的是从理解到规划到执行再到反思的闭环，说白了，它不满足于回答，它要替你把事办了。举个例子，客服场景里用户说“我买了两个手机，其中一个有划痕，我要退那个有问题的”，RAG 只能解释退货政策，但 Agent 能自己调订单 …
学习内容与项目面试，在同一条路上。