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 分块」找到 117 条内容
按专题浏览 →匹配正文：整体流程 离线阶段 文档解析 → 文本分块 → Embedding编码 → 向量入库 → 索引构建 在线阶段 用户Query → Embedding编码 → 向量相似检索 → Top-K召回 → （可选Rerank）→ 上下文组装 关键技术点 1. 文本分块策略 将固定长度、递归切分与语义分块作为候选，按段落或句子保留边界 块大小权衡：太小丢失上下文，太大引入噪声 将无重叠、短重叠和较长重叠放进同一评测集，比较边界召回与冗余成本 2. Embedding模型选择 通用场景：B…
匹配追问：…用户问“青霉素的用量”，结果模型老答不对。你觉得问题可能出在数据清洗上？你会怎么处理这些文档才能让检索和生成靠谱一些？ 层层追问 RAG里检索质量很关键，你一般怎么清洗文档？……如果文档里有大量专业术语，比如“PM”可能是项目管理也可能颗粒物，你怎么处理？……再比如技术手册，你是一个section一个section切，还是怎么切？怎么保证语义完整？ 直球架构 对于专业领域RAG，原始文档清洗和预处理需要哪些步骤？请从通用清洗、领域特化、分块策略和元数据增强几个层面说说你的设计…
匹配正文：…合的方法 理解检索-生成耦合效应（如检索冗余、信息冲突） 具备实际可落地的排查工具链和实验设计能力 核心排查框架：分层隔离诊断 把RAG系统拆成三个独立可测的环节，逐个验证： 一、定位检索模块问题 关键指标 Recall@K：正确答案是否在Top-K检索结果中 MRR/NDCG：相关片段的排序质量 诊断方法 人工标注100个查询的"黄金文档"，计算检索命中率 分析未命中的case：是query理解偏差（需改写/扩展）、还是向量空间不对齐（需调整embedding或分块策略） …
学习内容与项目面试，在同一条路上。