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。
「领域 RAG」找到 195 条内容
按专题浏览 →匹配口述回答：…构的改动比较大。 所以我的总体判断是：BM25是保底，向量检索是增量，混合检索是工程落地的最优解。但前提是embedding模型要领域适配，融合参数要按场景调过。如果资源有限，我会优先把预算花在embedding模型的微调和检索链路的监控上，而不是盲目上多路召回。 一句定位：RAG检索本质是召回与精度的取舍 BM25：精确关键词匹配，适合专有名词场景 向量检索：语义扩展强，但依赖embedding质量 混合检索：实际落地标配，RRF融合有坑 场景举例：电商搜索中品牌词与长尾词…
匹配正文：…与偏好对齐 RLHF、DPO 与偏好对齐 常见问题 应用岗一定要会微调吗？ 不一定要做深度训练，但要会判断边界：Prompt / RAG 解决不了风格、格式、领域行为或工具轨迹问题时，才考虑 SFT / LoRA / DPO，并且必须能评估收益。 LoRA 面试最常被问哪些点？ 常问参数高效的原理、rank 怎么选、和全量微调的差异、数据质量、过拟合、合并权重、推理部署，以及为什么这件事值得微调。 DPO 和 RLHF 怎么讲得清楚？ RLHF 是奖励模型 + 强化学习的经典…
匹配正文：…都重要,但日常问题完全不同。 维度 大模型算法岗 大模型应用开发岗 核心产出 更好的模型、训练策略、评估方法 可上线的大模型应用、RAG/Agent 系统、业务流程自动化 日常关键词 SFT、DPO、RLHF/GRPO、数据配比、loss、benchmark API、RAG、Agent、工具调用、检索、评估、延迟、成本 面试重点 数学基础、论文理解、训练细节、实验设计 项目深挖、系统设计、工程取舍、真题口述 简历筛选 硕博、论文、竞赛、模型训练经历加分明显 工程经验、项目深度…
学习内容与项目面试，在同一条路上。