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。
「RAG 与 RLHF」找到 33 条内容
按专题浏览 →匹配正文：核心定位差异 维度 RAG RLHF 作用环节 推理时提供外部资料，也可训练检索/生成组件 后训练时调整策略行为 主要目标 为回答提供可检索的证据与更新知识 学习给定反馈中的帮助性、安全性或风格偏好 技术本质 信息检索 + 上下文增强 策略优化 + 人类偏好对齐 RAG：用外部知识划定"能说什么" 机制：检索相关文档 → 组织上下文 → 生成并检查证据支持；提示不是硬解码约束。 优势：可追溯资料并更新知识库；简单实现可复用现有模型而不重新训练，检索器/生成器也可以按任务训练。…
匹配正文：应用岗不一定天天训练模型，但一定会被问到什么时候该微调、和 RAG / Prompt 怎么取舍、LoRA 怎么做、DPO 和 RLHF 有什么区别。这一页把微调、训练、对齐三类题连成一条线。 配套教程 要不要做微调 / Post-Train 项目，轻量版怎么做 Deep Research 第 6 章：训练数据与多阶段训练 知识模块 轻量微调、LoRA 与应用场景 轻量微调、LoRA 与应用场景 训练流程、数据与稳定性 训练流程、数据与稳定性 RLHF、DPO 与偏好对齐 RL…
匹配正文：答案要点 明确任务边界与成功标准 合理设计动作空间（工具调用/推理/终止） 模仿学习冷启动+RLHF持续优化 构建可复现的仿真环境 多维度评估（任务成功率、效率、安全性） 一、任务定义与边界划分 核心原则：先收敛再扩展 从垂直场景切入（如美团外卖智能客服），定义清晰的输入输出边界 明确成功指标：任务完成率、用户满意度、平均交互轮数 划分任务类型：信息查询、订单操作、异常处理、多轮协商 二、环境构建：三层仿真体系 层级 功能 实现方式 工具层 API模拟 沙箱环境+Mock数据…
学习内容与项目面试，在同一条路上。