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。
「检索 Embedding 评估」找到 264 条内容
按专题浏览 →匹配正文：…划（Planning）：CoT、ReAct、ToT 等策略将复杂任务拆解为可执行子步骤 记忆（Memory）：短期上下文 + 长期向量记忆，支持跨会话状态保持 工具（Tools）：Function Calling 对接外部 API、数据库、计算资源 行动（Action）：执行工具并观察结果，形成闭环 核心优势 优势 典型场景体现 自主性 智能客服自动判断需查询订单还是转人工 适应性 数据分析 Agent 根据中间结果动态调整分析路径 复杂任务处理 多步审批流程自动串联多个业务…
匹配口述回答：…款，既准确又有说服力。 但 RAG 也不是银弹。前提是知识库本身的质量要够高，如果文档里有矛盾信息，模型会困惑。另外，延迟是硬伤，检索加重排可能增加几百毫秒，对实时客服来说需要做缓存或预计算。我上线前会特别关注召回率，用 [[RAGAS]] 这类框架评估 [[Faithfulness]] 和 [[Context Recall]]，确保模型没有忽略检索到的证据。 说到优化方向，**[[混合检索]]**是个很有效的思路。纯向量检索对同义词和缩写不敏感，比如用户搜「订单异常」但文档…
RAG的核心架构 RAG = 检索模块 + 生成模块的协同： 检索：将查询向量化，从外部知识库召回Top-K相关文档 增强：将检索结果与原始查询拼接，构建增强上下文 生成：LLM基于增强上下文生成回答，实现"开卷考试" 三大核心价值的实现机制 1. 减少幻觉（Hallucination Reduction） 问题根源 RAG解法 参数化知识边界模糊，模型"自信编造" 检索提供显式证据，约束生成空间 训练数据截止，知识过时 接入实时/私有知识库，动态更新 关键：生成时能看到"参…
学习内容与项目面试，在同一条路上。