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 负样本」找到 20 条内容
按专题浏览 →匹配正文：Deep Research Agent 一次任务可能经历多轮搜索、访问、计算和摘要。 当轨迹达到最大 token、最大步骤或运行时间，系统可能在 final answer 之前停止。很多训练管道看到“没有最终答案”，就直接给零 reward，并把这条轨迹当作负样本。 这看起来合理，实际上可能教坏模型。 有些轨迹确实走错了，有些只是环境超时，还有些方向完全正确但预算用完。若全部受到同一种惩罚，模型反而会学着赶在截断前随便给出答案，研究质量未必提高。 相关训练材料明确提醒，这种处…
匹配正文：训练工具调用Agent时，数据单位不是孤立问答，而是完整轨迹。每一步要记录可见观测、模型动作、工具名与参数、权限检查、工具真实返回、错误类型、重试、最终结果和终止原因。缺少真实工具反馈，只保留一段看似合理的思考文本，会让模型学不到环境状态变化。 正轨迹应覆盖不同任务路径和边界条件，不只是最短成功案例；负轨迹要按可修复失败分类，例如工具选择错、参数错、权限不足、结果解析错、无效重试、超时和提前终止。对负样本可提供正确恢复动作或成对偏好，让模型学会发现并修复错误，而不是只学会把失…
学习内容与项目面试，在同一条路上。
匹配正文：答案要点 区分Agent与RAG评估维度的差异 数据采集的多样性与真实性来源 负样本构造的hard negative策略 人工+自动化的混合标注流程 数据代表性验证方法 核心设计原则 Agent和RAG的评估目标不同：RAG重事实准确性，Agent重任务完成度与工具调用正确性，需分开设计。 数据采集 来源 适用场景 注意事项 真实用户日志 高价值、分布真实 脱敏+去偏，避免头部query过度采样 合成数据（LLM生成） 快速覆盖长尾场景 需人工校验，控制幻觉比例 公开benc…