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。
「Agent 训练数据构造」找到 4 条内容
按专题浏览 →匹配正文：…。你 prompt 写得再细,通用模型也只是「勉强照做」,不稳。 根因是:通用模型在预训练时,见过的「人类写文章」很多,但见过的「Agent 一步步用工具做调研」的轨迹很少。 它缺一种「Agent 的本能」。 怎么补?用大量「优质的 Agent 做调研的轨迹」去训练它。 而这些轨迹,现实里没有现成的、得自己造,这就是「训练数据构造」。本章讲的就是:这条数据流水线该怎么设计。 为什么要造数据:通用模型缺「Agent 本能」,要用优质轨迹训出来 概念 1:种子数据 vs 轨迹数据…
匹配正文：…试题 本项目覆盖 Agent 架构、ReAct、工具调用、RLHF / GRPO 等知识点，可以到题库按模块配套练习。 去题库刷 Agent / 强化学习真题 → 按顺序学习 第 1 章:为什么需要 Deep Research 第 2 章:Agent 执行框架,ReAct → IterResearch 第 3 章:工具集设计,让 Agent 真正「会用工具」 第 4 章:多轮对话与长程记忆管理 第 5 章:训练数据构造,种子 → 轨迹 → 增强 第 6 章:多阶段训练:Age…
匹配口述回答：…Self-RAG]] 的思路，让模型在生成过程中自己判断是否需要检索，而不是每次都查外部知识库，这样能减少不必要的工具调用。但它的训练数据构造比较麻烦，而且对模型本身的推理能力有要求。 所以整体上，我会把Agent性能优化看成 一个工程系统问题 ，不是单点优化。推理要快，工具要稳，错误要能兜底。我更倾向优先保证工具层的可靠性，因为推理再快，工具挂了也是白搭。如果让我选一个最值得投入的方向，我会选结果验证和熔断降级，这是让Agent能在生产环境跑起来的底线。 一句话定位：Age…
学习内容与项目面试，在同一条路上。