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。
「Agent训练」找到 178 条内容
按专题浏览 →匹配正文：…= 层数 × head数 × head_dim × 序列长度 × batch_size × 2(K+V) 3. 位置编码外推失效 训练时固定长度（如4K），Agent推理时远超此长度 绝对位置编码（正弦/可学习）出现注意力分散，相对编码（RoPE）外推性不足 长距离历史信息"被遗忘"或注意力权重异常 Agent场景的特殊挑战 场景 问题 工具链调用 中间结果插入导致序列碎片化，Attention模式不规则 多轮规划 早期推理步骤被稀释，关键决策点难以回溯 长期记忆 用户偏好、…
匹配正文：…可控性要求：高合规场景优先RAG（可追溯来源） 第二步：成本权衡 数据成本：微调 > RAG > ICL > 提示工程 推理成本：Agent > RAG > 微调 > 提示工程 维护成本：Agent > RAG > 微调 > 提示工程 第三步：滴滴场景示例 实时定价：微调（历史订单数据训练，延迟敏感） 司机答疑：RAG（政策文档频繁更新+需准确引用） 异常处理工单：Agent（需调用订单系统+地图服务+规则引擎） 关键认知 工业落地的核心是分层架构：基座模型+轻量适配层。多数…
匹配正文：…能力生成调用 工具少、调用简单、快速上线 零成本，但复杂场景易幻觉、格式不稳定 微调增强 用<tool_call>标注数据SFT，训练模型输出结构化调用 工具多、领域专用、高稳定性要求 准确率高，但需标注数据、灵活性差 代理框架 ReAct/Plan-and-Execute循环，LLM作为推理引擎决策 多步推理、动态规划、复杂Agent 可解释性强，但延迟高、成本高 二、Function Calling标准流程 用户Query → 工具描述注入Prompt → LLM生成调用…
学习内容与项目面试，在同一条路上。