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 改进思路」找到 6 条内容
按专题浏览 →匹配题目：请列举传统RAG系统在实际应用中存在的主要痛点，如检索噪声、上下文稀释、语义鸿沟等问题，并提出可能的改进思路。
匹配正文：…精准溯源，答案可信度存疑 知识边界 实时性瓶颈 索引更新滞后，新知识无法即时生效 结构化缺失 表格、图谱等非文本知识利用不足 二、改进思路 1. 检索层优化 混合检索：BM25 + 向量检索 + 稀疏编码（如SPLADE）互补 查询改写：HyDE（假设文档嵌入）、Query2Doc扩展语义 重排序精排：Cross-encoder精筛Top-K，过滤噪声 2. 生成层优化 上下文压缩：RAG-Fusion多查询聚合、LongLLMLingua关键句提取 引用生成：训练模型输出[…
匹配口述回答：我觉得这道题本质上在问：[[RAG]] 到底是不是一个拿来就能用的银弹？答案显然不是。它有很多坑，而且不同场景下坑还不一样。所以我的理解是，RAG 适合知识密集但不需要深度推理的场景，比如客服退款政策查询，而微调适合模型需要内化某种能力的场景，比如翻译。真正落地的时候，往往是 RAG 和微调配合着来，或者 RAG 内部几种检索策略混着用。 先说检索阶段最大的问题，召回质量不稳定。向量检索有个所谓的语义鸿沟，query 和文档的 [[Embedding]] 空间可能没对齐，比如…
学习内容与项目面试，在同一条路上。