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 提示工程」找到 250 条内容
按专题浏览 →匹配正文：…代码解释器、数据库、API、计算器等 3. 记忆模块（Memory） 类型 存储内容 实现方式 短期记忆 当前对话上下文 直接放入prompt 长期记忆 历史会话、用户画像、领域知识 向量数据库（RAG检索） 工作记忆 当前任务的中间结果 变量/缓存存储 协作示例（ReAct循环） 用户问："深圳明天天气怎么样？适合穿什么？" [思考] 需要查询天气 → [行动] 调用天气API(深圳, 明天) → [观察] 结果：25°C，多云有雨 → [思考] 有雨需要带伞，温度适中可穿…
匹配正文：…记忆系统（Memory） 短期记忆：当前对话上下文、会话窗口内的信息 长期记忆：向量数据库存储的历史经验、用户画像、领域知识 通过检索增强实现跨会话的个性化服务 4. 工具/行动模块（Tools & Action） 工具注册：外部API、数据库、计算引擎等 工具选择：根据规划结果动态选择合适工具 参数解析：将自然语言转化为结构化调用参数（Function Calling） 结果处理：解析工具返回，决定继续规划或输出结果 5. 执行与反馈循环 观察→思考→行动的闭环执行 异常处…
匹配正文：…解析执行错误、缺乏自我修正迭代） 上下文窗口瓶颈（代码库规模超限、历史对话淹没关键信息） 改进策略需针对具体根因设计，而非简单堆叠prompt 一、模型能力层面 核心问题 代码理解深度不足：对复杂业务逻辑、跨文件依赖、设计模式识别能力弱 长程依赖建模差：修改A文件时忽略B文件的调用关系，导致回归错误 语言/框架知识陈旧：训练数据截止导致的API变更、新特性不了解 改进策略 引入RAG检索相关代码片段和官方文档作为上下文增强 针对特定技术栈做SFT或LoRA微调 采用"plan…
学习内容与项目面试，在同一条路上。