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：…unk 大小和 overlap，观察 Recall@K、MRR、答案正确率和引用准确率。Chunking 不是一次性拍参数，而是 RAG 里最值得 A/B 的基础环节。 分块的本质是粒度与完整性的博弈 四种方法：固定长度、语义边界、滑动窗口、重叠分块 对精度、召回率、生成质量的影响 案例：百度知识库的RLHF问题 选型建议与给出可延伸点 约4分钟 分块策略要和文档结构、query 类型、Embedding 模型一起调，不能只固定一个 token 数。 如何设计 chunkin…
匹配口述回答：…快速验证想法，真要上线，你得把它当参考实现，自己重写精简版。 再来说LlamaIndex。它的核心是Index，各种索引结构，比如向量、树、关键词、图。它天然是为[[RAG]]设计的，Query Engine封装了检索加合成的标准流程。所以如果你要做企业知识库问答，或者结构化数据查询，LlamaIndex非常顺手。它的检索策略很丰富，RAG效果容易调优，而且它和LangChain可以互操作，通过一个工具包装就能把LlamaIndex的检索能力当工具给LangChain用。 但…
匹配正文：…rning） Few-shot：提供2-5个输入-输出示例，引导模型理解任务模式；关键在示例分布覆盖边缘case 动态示例检索：用Embedding从示例库召回相似case，比静态示例更精准（RAG+Prompt结合） 三、推理增强 CoT（思维链）：在示例中展示"Let's think step by step"的推理过程，激发模型逐步思考，适合数学、逻辑题 Self-Consistency：对同一问题采样多条推理路径，投票取多数答案，降低单条CoT的随机性 ToT（思维树…
学习内容与项目面试，在同一条路上。