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。
「检索器选择」找到 3 条内容
按专题浏览 →匹配正文：一、检索器选择：多路召回 稠密检索（Dense） 基于Embedding：DPR、Contriever，适合语义匹配 优势：跨表述理解；劣势：对罕见实体、精确匹配弱 稀疏检索（Sparse） BM25、TF-IDF、SPLADE，适合关键词精确匹配 优势：零样本、可解释；劣势：语义鸿沟 实践策略：双路召回 + 线性加权或Learned Fusion（如RRF倒数排序融合） 二、索引结构优化 方法 核心思想 适用场景 HNSW 图索引，贪心导航 百万级，高召回要求 IVF 聚类…
匹配正文：…么要采用混合检索(Sparse + Dense)?分别阐述其作用。 较难 → 【召回链路全局优化】 优化 RAG 召回链路的方法:检索器选择、索引结构、查询重写等。 较难 → 学完这一章你应该能干嘛 跟着做(Part 1): 能跑通端到端的迷你 RAG,看懂"剪 → 存 → 捞 → 拼 → 答" 能改 top_k 并说出它对召回的影响 能说出你写的每个函数对应真实系统哪个模块 讲深度(Part 2): 能分"离线/在线"两条链路画出 RAG 四大模块 能讲清在线检索为什么是"…
匹配正文：…：VectorStoreIndex、TreeIndex、KGIndex、DocumentSummaryIndex等 检索优化：自动检索器选择、混合搜索、重排序（rerank）、递归检索 查询引擎：支持子问题分解、多文档对比、结构化数据查询 选型决策 优先选LangChain 需要调用多个外部工具/API的复杂Agent 工作流涉及条件判断、循环、人工介入审批 多模态任务编排（LLM+图像生成+代码执行） 优先选LlamaIndex 企业知识库场景：海量文档（10万+）的高效检…
学习内容与项目面试，在同一条路上。