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。
「法律」找到 90 条内容
按专题浏览 →匹配正文：…mbedding相似度检测主题边界 内容混杂、主题跳跃的长文档 结构感知 按Markdown/HTML标签、目录层级切 技术文档、法律条文（条款级） Agentic分块 LLM判断边界，生成摘要标题 高精度要求、预算充足 专业领域特殊处理 法律条文 以"第X条""第X章"为硬边界，绝不截断条款 保留上下文：每条附带所属章节标题 医学文献 按IMRAD结构（引言/方法/结果/讨论）切分 表格单独处理：表头+关键行作为独立chunk 重叠窗口（Overlap） 把零重叠、短窗口和…
匹配正文：核心原则 专业文档（医疗/法律）的核心特征是强结构、强引用、术语密集，切块需优先保证语义完整性和上下文可追溯性，而非简单按token切分。 常见策略对比 策略 做法 优点 缺点 适用场景 固定长度切块 按token/字符数硬切（长度需通过实验确定） 简单、批量处理快、embedding对齐 切断语义、丢失章节边界、表格被破坏 非结构化文本、快速原型 递归字符切块 按标点→句子→段落层级递进切分 保留基本可读性、实现简单 对复杂嵌套结构（法律条款层级）处理粗糙 通用文档、博客文…
匹配正文：…病历/卷宗（需脱敏） 智能分块： 按语义边界切分（章节、条款、病例段落），非固定长度 医疗：保留"症状-诊断-治疗"完整上下文块 法律：保持"事实-法条-判决"逻辑链 知识增强：提取实体关系构建领域知识图谱，作为检索补充 二、检索系统层（混合召回） 单一向量检索不够，需多路融合 检索方式 适用场景 实现 稠密向量检索 语义相似、同义表达 领域微调Embedding（如MedCPT、法律BERT） 稀疏关键词（BM25） 精确术语、药品名、法条编号 Elasticsearch …
学习内容与项目面试，在同一条路上。