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 微调策略」找到 7 条内容
按专题浏览 →匹配正文：…在的事实（如错误的人物关系） 忠实性幻觉：输出与输入/上下文不一致（如摘要偏离原文） 缓解方法需针对性选择。 主流技术方法 1. 检索增强（RAG） 核心思路：外接知识库，将生成约束在检索到的证据上 标准流程：查询改写 → 向量检索 → 重排序 → 上下文增强生成 关键优化：多路召回、HyDE（假设文档嵌入）、Self-RAG（反思token） 局限：检索失败时幻觉反而加重，需配合置信度校准 2. 微调策略 事实性SFT：用高质量QA对训练，强化"不知道就拒绝" 偏好对齐：R…
匹配标题与标签：RAG检索相关但生成差原因 RAG 场景下提示工程、上下文建模、微调三大策略 模型微调 上下文压缩 生成调优 RAG 生成优化 检索相关生成差 RAG 微调策略
匹配口述回答：…过才原子切换。 所以整体上，我不会追求单一方案最优，而是根据场景做取舍。比如客服场景，我会更看重延迟，把简单查询走缓存，复杂查询走RAG；而风控合同场景，我会更看重精度，哪怕多花点时间。最后，我始终认为RAG不是一个孤立的组件，它和 Prompt 设计、模型选择、甚至微调策略都要协同考虑。 RAG落地本质是检索和生成的权衡 检索层的延迟与精度矛盾 上下文管理中的信息丢失 Agent决策链的级联错误 我的优化思路与取舍 约4分钟 知识库频繁更新时，增量索引的实时性和一致性平衡，…
学习内容与项目面试，在同一条路上。