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。
「Agent 适用场景」找到 107 条内容
按专题浏览 →匹配口述回答：…-RAG]]让模型自己反思评估结果，但会带来额外延迟和成本。 一句话定位：构建评估数据集本质是模拟真实用户反馈 边界划分：RAG与Agent评估的差异，以及RAG vs 微调的适用场景 标注策略：三层质量控制与可复现性 多样性保障：三维覆盖与量化指标 偏差控制：位置、流行度、标注者、模板偏差 落地风险与前提：常见失败场景与工程师取舍 约4分钟 评估数据集本身可能引入偏差，可以用Self-RAG让模型自反思来缓解，但需权衡延迟和成本 面试官可能会追问Self-RAG的具体实现、…
匹配正文：…包含 (Thought, Action, Observation) 的完整链条，而非仅最终答案 二、标签定义：明确优化目标 粒度 适用场景 标注内容 粗粒度 端到端微调 最终输出是否满足用户意图 细粒度 过程监督 每步Thought是否合理、Action是否正确调用 对比级 RL/DPO训练 同一状态下，优/劣响应的偏好对 关键决策：是否对"中间步骤"打标签——Agent任务建议细粒度，纯对话任务可粗粒度 三、上下文建模：状态追踪机制 结构化状态表示：将历史工具返回、中间结论…
匹配正文：…具 schema → 模型出参 → 程序执行后把结果回灌给模型 解决了纯文本模型"只会说不会做"、拿不到实时/私有数据的问题 是 Agent(智能体)的地基能力 核心概念 Function Calling 是一种让大模型以结构化 JSON 的形式"表达调用意图"、由外部程序真正执行函数、再把结果交还给模型继续生成的机制。要先破除一个常见误解:模型自己并不能执行代码,它只是根据工具描述,决定"该调用哪个函数、传什么参数",真正跑代码的是你的程序。 三步流程 声明工具(schem…
学习内容与项目面试，在同一条路上。