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系统」找到 180 条内容
按专题浏览 →匹配正文：…(调研问题)通常由几个来源互补而成: 种子数据来源:真实日志挖掘 / 专家编写 / LLM 扩写,互补构成 真实日志挖掘:从已上线系统的真实用户 query 里提取、聚类、挑高频高价值的。最贴近真实分布,通常是主力来源。 专家编写:领域专家按场景补写,覆盖日志里没有、但重要的场景(冷启动、边角 case)。 LLM 扩写:用强模型对已有种子做改写、变体生成,快速扩量。 业内行话:种子数据的分布比数量更重要。面试能讲「我会让种子覆盖不同领域 × 不同问题类型 × 不同难度,而不…
匹配正文：后端工程师是转大模型应用开发最有优势的人群。服务化、数据处理、性能优化、系统设计这些存量能力,占大模型应用岗日常工作的一半以上,真正要补的只有「模型这一层」:LLM 怎么工作、RAG/Agent 两套范式,以及一套从「确定性对错」换成「概率 + 评估」的新直觉。别推倒重来,把已有经验翻译成大模型系统的语言就够了。 作者:吴师兄 | 适合:Java/Go/Python 后端、数据开发、想转大模型应用岗的在职工程师与在校后端方向学生 | 前置:写过服务化项目,了解应用岗和算法岗的…
匹配正文：面试官要的不是「你做过多大的项目」,而是「你在项目里做过多少真实的技术决策」。一个自己从零搭、每个环节都讲得清为什么的 RAG 或 Agent 系统,胜过任何跑通就完事的教程 demo。项目经验是可以在 4-8 周内攒出来的,前提是做的方式对——带评估、留 badcase、每个取舍都能讲清。 作者:吴师兄 | 适合:想转大模型岗但手里没有「像样项目」的在校生和后端工程师 | 前置:了解应用岗和算法岗的区别,大致知道 RAG / Agent 是什么 没在公司做过 ≠ 没有项目经…
学习内容与项目面试，在同一条路上。