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。
「多Agent协同」找到 75 条内容
按专题浏览 →匹配正文:…) 局限性与应对 局限 表现 缓解思路 检索失效 召回文档不相关或遗漏 混合检索(BM25+向量)、查询重写、重排序 上下文爆炸 多文档超出窗口限制 摘要压缩、分层检索、长上下文模型 多跳推理弱 需跨文档关联时易断链 引入知识图谱、迭代检索(Self-RAG) 生成与检索耦合 模型过度依赖或忽略检索内容 训练时加入"无相关信息"样本、调整prompt权重 典型失败案例: 用户问"对比A和B产品的差异",若检索分别返回A、B的独立介绍而无直接对比文档,模型难以自行归纳差异——这…
匹配口述回答:…快又准。但如果流程是“先查订单状态,再判断是否超期,然后调用退款API,最后发通知邮件”,这就是LangChain的菜,因为它需要多步决策和工具调用。 所以说,边界很清楚:数据密集、检索为主的任务,LlamaIndex;流程复杂、多工具协同的任务,LangChain。但真正落地时,往往两者一起上。常见模式是:用LlamaIndex构建高质量检索管道,然后通过LangChain的create_retriever_tool把它封装成一个工具,供Agent调用。这样既能拿到精准的检…
…绝对保证’这种夸大措辞。还可以设动态停止条件,一旦检测到风险模式,比如模型开始编造政策,就触发early stopping。在[[Agent]]场景下,我们会限制工具调用的白名单,比如只允许查订单状态,不允许直接改退款金额。 输出层是最后一道闸。用正则或关键词匹配高风险内容,再用独立的安全模型做二分类判定。如果模型自己的置信度低,比如只有0.6,就进入人工标注队列,回流到训练数据里。 这里有个关键闭环:人工反馈。反馈分两类。一类是实时干预,比如直播或客服对话中,运营人员可以一…
学习内容与项目面试,在同一条路上。