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。
「知识库」找到 329 条内容
按专题浏览 →匹配正文：答案要点 RAG(检索增强生成)= 给大模型外挂一个可实时更新的知识库:先检索、再基于检索材料生成 核心流程:文档解析 → 分块(Chunk)→ 向量化(Embedding)→ 入向量库;查询时检索 → 重排 → 拼入 prompt 生成 优势:知识可实时更新、答案可溯源、幻觉显著降低、不需要重训模型 局限:效果强依赖检索质量(切分不当/纯向量检索对 ID 类文本失效),链路长、延迟与成本上升 与微调的边界:微调学「格式与风格」,RAG 注「事实与时效」,生产中常两者结合 工…
匹配正文：RAG评估的核心维度 一、检索质量指标 指标 意义 实践考量 Recall@K 相关文档是否被召回 知识库场景优先保召回，客服场景可适当降低 MRR/NDCG 排序质量，高相关文档是否靠前 影响LLM输入质量，但计算成本高 上下文相关性 召回内容与query的语义匹配度 需过滤噪声，避免无关信息干扰生成 二、生成质量指标 指标 意义 实践考量 答案相关性 回答是否切题，有无答非所问 最基础指标，但无法检测幻觉 事实一致性 生成内容是否与检索文档一致 最关键指标，需用NLI模型…
匹配正文：…机制 大模型幻觉源于参数化知识的静态性和泛化误差。RAG通过动态检索外部权威知识替代模型"编造"： 检索阶段：将用户查询向量化，从知识库召回Top-K相关文档 增强阶段：将检索结果与原始查询拼接，构建增强提示 生成阶段：模型基于"检索证据"生成，答案被约束在提供的上下文中 实际系统实现机制 组件 关键设计 Embedding模型 领域适配（如用BGE、GTE替换通用模型） 向量数据库 Milvus/Pinecone，需考虑索引类型（HNSW/IVF）与分片策略 重排序（Rer…
按学习路线查看教程、项目和面试题。