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。
「相似度阈值」找到 14 条内容
按专题浏览 →匹配正文：…RAG 面试中很容易被低估的一道题： 资料里没有答案时，RAG 怎么判断证据不够，并避免强行生成？ 很多人的第一反应是：“设置一个相似度阈值，低于阈值就拒答。” 这句话只答到了最外层。面试官很快会继续问： 向量库几乎总能返回结果，相关和足够怎样区分？ 阈值应该怎么定，换模型后还能不能继续用？ 有答案却被拒绝，和没答案却强答，哪个更严重？ 检索分数过关后，生成阶段为什么仍可能编造？ 为什么“搜到了”仍然可能没有答案？ 向量检索做的是相对排序。 给它一个问题，它会在当前索引里找出…
匹配正文：…以为每次实验固定一份配置记录：知识库版本、Embedding 模型、topk、minimum_should_match、融合权重、相似度阈值和是否启用 Rerank。否则今天改了向量模型，明天又换了候选数量，最后只剩一个更高或更低的总分，很难知道变化来自哪里。一次只比较一个主要改动，结果会更容易解释，也方便把有效配置复现出来。 如果混合检索的总指标变好，也要回看分组结果。它可能改善了“推销—销售”这样的同义问法，却让“报销制度”这类短标题题下降。下一步到底调文本字段、向量权重…
…键，是一次只改变一个变量 很多所谓“模型对比”其实没有可比性：换 Embedding 的同时改了 Chunk 大小、Top-K 和相似度阈值；换 Rerank 的同时又换了召回模型和提示词。最后指标变化了，却无法判断究竟是哪一步造成的。 一套可复现的对比应先冻结其余链路。对 Embedding 候选，使用同一份原始文档、同一套解析和分块结果、同一批测试 Query、同一套正确证据标注，并保持索引类型和 Top-K 一致。对 Rerank 候选，则进一步冻结粗召回产生的候选集合…
学习内容与项目面试，在同一条路上。