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。
「Embedding检索」找到 478 条内容
按专题浏览 →匹配正文：答案要点 清晰描述RAG三阶段流程（索引-检索-生成） 说明检索器核心组件（向量化、相似度计算、Top-K召回） 解释生成器如何利用检索结果（上下文拼接、注意力机制） 提及关键优化点（重排序、查询改写、多路召回） 能对比Naive RAG与Advanced RAG的差异 RAG核心架构：两阶段流水线 第一阶段：离线索引构建 文档切分：按语义/固定长度分块，控制chunk大小（通常256-512 tokens） Embedding编码：用BGE、M3E等模型将文本转为稠密向量 …
匹配正文：…要词表里有） 无法捕捉语义相似性（"苹果手机"≠"iPhone"） 适用：商品名称、法律条文、医疗术语等需要精确匹配的场景。 稠密检索（Dense Retrieval） 原理：用双塔模型将query和doc编码为低维稠密向量，通过向量相似度召回。 常用相似度度量： 方法 公式 特点 余弦相似度 cos(θ) = A·B/(‖A‖‖B‖) 归一化后只关注方向，适合语义匹配 点积 A·B 保留模长信息，训练时更稳定 欧氏距离 ‖A-B‖ 对向量尺度敏感，较少直接用 特点： 语义泛…
匹配正文：一、检索器选择：多路召回 稠密检索（Dense） 基于Embedding：DPR、Contriever，适合语义匹配 优势：跨表述理解；劣势：对罕见实体、精确匹配弱 稀疏检索（Sparse） BM25、TF-IDF、SPLADE，适合关键词精确匹配 优势：零样本、可解释；劣势：语义鸿沟 实践策略：双路召回 + 线性加权或Learned Fusion（如RRF倒数排序融合） 二、索引结构优化 方法 核心思想 适用场景 HNSW 图索引，贪心导航 百万级，高召回要求 IVF 聚类…
学习内容与项目面试，在同一条路上。