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。
「Embedding 质量」找到 400 条内容
按专题浏览 →匹配口述回答：…s或者内存里，支持快速读写。最下层才是长期记忆，跨会话、海量数据，得持久化。 长期记忆我不会只用一种存储。我的做法是混合方案：[[向量数据库]]做语义检索，关系数据库做结构化过滤，对象存储放原始对话。举个例子，一个客服Agent处理退款请求，用户问「我上周那个订单怎么还没退？」，向量检索找到语义相似的退款记录，关系库过滤出这个用户ID和订单状态，对象存储里再拿完整的对话日志做上下文补充。这样三条路配合，比单用向量库准得多。 检索效率方面，索引层我会用[[HNSW]]或者[[I…
匹配口述回答：…连贯。短期记忆是当前会话里几小时内的历史，按对话轮次[[分块]]，维护时间索引和主题标签。长期记忆才是跨会话的持久化知识，存到[[向量数据库]]里，按需检索。这个分层的好处是，高频访问的放在最上层，成本最低，低频的沉到下层，检索时才拉出来，这样既控制了每次推理的输入长度，又保留了整体信息的可回溯性。 具体检索时，我不会只用语义相似度。因为用户可能问的是昨天刚提过的事，语义上跟今天的话题不相关，但时间近就应该优先。所以我的策略是混合打分：语义相似度用 [[Embedding]]…
匹配正文：…mory） 类型 作用 典型实现 短期记忆 当前对话上下文、任务状态 滑动窗口、摘要压缩 长期记忆 历史经验、用户偏好、领域知识 向量数据库（如用embedding存成功案例） 工作记忆 当前步骤的中间结果 显式的状态变量 3. 工具调用（Tool Use） Function Calling：LLM生成结构化参数调用外部API（搜索、计算、数据库等） 工具选择：根据任务意图匹配最优工具（需工具描述prompt） 结果解析：将工具返回的非结构化数据转为LLM可理解的上下文 4.…
学习内容与项目面试，在同一条路上。