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 vs 大模型」找到 157 条内容
按专题浏览 →匹配正文：…计哲学 LangChain 通用Agent编排框架 "Chain"为中心，强调组件组合与流程控制 LlamaIndex 数据增强型RAG框架 "Index"为中心，专注知识检索与上下文注入 LangChain 详解 核心抽象 Chain：将LLM调用、工具执行、数据转换串联成管道 Agent：ReAct循环，由LLM动态决策工具调用序列 Memory：对话历史的显式管理（Buffer/Window/Summary等） 适用场景 多步骤复杂工作流（如：先搜索→再分析→最后生成报…
匹配正文：答案要点 能够系统性地拆解RAG链路，提出可量化的诊断方法 掌握检索模块的独立评估指标（Recall@K、MRR等） 掌握生成模块的评估维度（忠实性、相关性、流畅性） 给出至少3种针对性的生成优化策略 能区分"检索准但生成差"的典型场景（如上下文利用不足、指令遵循弱） 一、系统性诊断：定位问题模块 核心原则：将RAG链路拆分为独立可测的环节，避免"黑盒调试"。 1. 检索模块独立评估 离线指标：计算Recall@K、MRR、NDCG，对比Top-K检索结果与人工标注的相关文档…
匹配正文：核心思想 GraphRAG的本质是用"结构化语义网络"替代"扁平向量空间"。传统RAG把文档切成chunk后直接向量化，丢失了实体间的显式关系；GraphRAG则通过LLM抽取实体-关系-属性，构建知识图谱，并在此基础上发现"社区"(紧密关联的实体簇)，形成实体→关系→社区的三层索引结构。 架构设计（微软开源方案） 阶段 关键操作 输出 索引阶段 文本分块→LLM抽取实体/关系→生成社区摘要 知识图谱 + 社区层级摘要 查询阶段 路由判断(Local/Global)→子图检索…
学习内容与项目面试，在同一条路上。