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 重排」找到 310 条内容
按专题浏览 →匹配口述回答：…、什么时候该说不知道。 先说边界。很多人一上来就想微调模型，但微调适合把领域风格或固定话术刻进去，不适合管理频繁更新的法规或指南。RAG正好补这块，知识变了你换文档就行，不用重新训练。检索也一样，纯关键词（[[BM25]]）匹配快但漏同义词，纯向量能理解语义但容易召回无关内容。所以我会**[[Hybrid Search]]**，把关键词和向量两条路结合起来，再加一层[[重排]]，把高置信度的结果顶上去。 具体到业务，拿医疗场景举例。假设做一个辅助诊断的问答助手，知识库里得有临…
匹配口述回答：这道题其实是在问，当[[RAG]]从通用聊天场景进入医疗、法律这种高风险领域时，工程化落地要解决哪些核心矛盾。说白了，通用RAG可以容忍一点[[幻觉]]，但医疗法律领域是零容忍，你得保证每个回答都有据可查，而且这个据还得是权威的。另外合规审计、知识频繁更新，这些都是硬约束。所以设计数据处理和索引流程时，不能只盯着检索效率，得把准确性和合规性当成第一性原理。 具体说一下数据采集。我第一件事就是搞白名单机制，只接入权威源。比如医疗就接临床指南、药典、药品说明书，法律就接裁判文书网…
匹配口述回答：…得再好也没用。我上线时特别关注的是检索的召回率和精确率的平衡，一旦检索结果里混进太多噪声，生成器会跟着跑偏。 所以我的判断是，传统RAG适合知识库稳定、查询简单的场景，比如企业内部SOP问答；现代RAG更适合那些需要动态推理、信息源多的场景，比如客服、金融分析。真正落地时，我倾向把两者结合起来，比如用[[混合检索]]，关键词召回保底，向量召回提高精度，再用一个[[重排]]模型把结果精排一下。 不过说到联合训练，我其实更关心一个细节：检索器更新的频率。如果知识库每天都在变，检索…
学习内容与项目面试，在同一条路上。