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 Embedding 选型」找到 131 条内容
按专题浏览 →匹配口述回答：这道题我觉得本质不是在问你知道多少种技术，而是在考察你面对一个真实业务场景时，能不能做出合理的选型决策。我理解目前主流的有提示工程、[[上下文学习]]、微调、[[RAG]]和[[Agent]]这五条路，但它们不是互相替代，更多是互补。落地的时候，经常是两三个一起上，关键看场景和成本。 先说提示工程和上下文学习。这两个其实都是零成本或者接近零成本的方式，不更新模型参数。提示工程就是靠写指令，让模型按你的要求输出，比如客服话术生成，改改prompt就能迭代。上下文学习呢，给几个例…
匹配正文：核心区别：是否共享语义空间 伪多模态RAG 实现方式：图像/视频经OCR、Caption或视觉编码器（如CLIP）转成文本描述，再入向量库 典型链路：图像 → BLIP2生成caption → 文本embedding → 检索 → LLM生成 本质：多模态→单模态的有损压缩，检索和生成阶段都是纯文本 真多模态RAG 实现方式：图像和文本统一编码到共享语义空间，直接进行跨模态相似度计算 典型链路：图像+文本 → 多模态encoder（如CLIP dual encoder/EVA…
匹配正文：…bedding 存储膨胀，灵活性差 只读场景 图计算框架（GraphX） 无实时更新能力 关键区分：GraphRAG vs KG-RAG KG-RAG：用图谱增强检索，查询层仍是关键词/向量 GraphRAG（微软定义）：基于图社区检测做全局摘要，底层可用图算法库而非必须Neo4j等数据库 结论 观点在复杂关系推理、动态更新、大规模场景下成立；但技术选型应看数据规模、查询复杂度、团队成本，非教条式追求"真正GraphRAG"。 学习建议 建议系统学习该知识点
学习内容与项目面试，在同一条路上。