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 向量化」找到 107 条内容
按专题浏览 →匹配口述回答：面试官你好，这个问题其实是在问：[[多模态]][[RAG]]到底是不是真的在理解图像，还是只是把图像转成文字后再做检索？本质区别就是是否共享语义空间。 先说伪多模态。它的思路很简单：图像进来，先用 [[OCR]] 或者像 [[CLIP]] 这种视觉编码器，把图像转成一段文字描述，比如用 BLIP2 生成 caption，然后把这个文本[[向量化]]，丢进 [[Vector Database]] 里检索，最后喂给 LLM 生成答案。说白了，就是把多模态问题强行压成单模态问题，图…
匹配正文：…并行执行子任务，通过消息总线通信 记忆机制设计 短期记忆：对话上下文窗口管理，关键信息提取 长期记忆：向量数据库存储历史经验，支持RAG式检索 工作记忆：当前任务相关的临时状态维护 推理策略优化 推理范式选择 CoT（思维链）：复杂推理任务，显式生成中间步骤 ReAct：需要工具调用的场景，推理与行动交替进行 ToT（思维树）：多路径探索，用投票或评估选择最优解 效率优化 自适应推理深度：简单任务用单步CoT，复杂任务扩展推理步数 推理预算控制：设置token上限或调用次数阈…
匹配口述回答：…写的是“退费流程”，关键词可能匹配不上；向量检索会先把两段文本编码成向量，只要语义相近，距离就会比较近，所以更适合问答、推荐、[[RAG]] 这类场景。 整个链路我一般按三段看：先[[向量化]]，再建索引，最后算相似度并排序。 向量化就是用 Embedding 模型把 query 和文档块都转成固定维度的稠密向量。这里最关键的不是“转成多少维”，而是这个向量空间是否真的学到了业务里的语义关系。比如“退款”“退费”“售后申请”在客服场景里应该靠得很近，但“苹果”在水果场景和手机…
学习内容与项目面试，在同一条路上。