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 核心问题」找到 20 条内容
按专题浏览 →匹配正文：…生成器忠实使用。错误召回、冲突文档或过期索引也可能让答案更差，因此需要分别评估证据召回、忠实度和答案正确性。 与 SFT 的边界 RAG 更适合注入经常变化的事实与可引用资料。 SFT 更适合学习格式、风格、任务行为或基座已有能力的调用方式，但不能可靠存储频繁变化的精确事实。 二者可以组合，选型取决于知识变化速度、权限、延迟、成本和质量评测。 结论：RAG 的价值是把事实证据从模型参数中解耦出来并建立可更新、可审计的访问链路。 图解 RAG 解决了哪些核心问题?图解
匹配正文：核心问题分析 RAG与Agent结合时，延迟和正确率问题呈乘法放大效应——Agent的多步决策特性使RAG缺陷被反复累积。 一、响应延迟的成因与优化 延迟来源 具体成因 优化方案 检索层 向量库冷启动、跨地域查询、Embedding计算 预加载热数据到内存；本地缓存高频Query的Embedding；采用HNSW+量化索引 Agent决策层 ReAct多轮迭代、工具调用链过长、LLM推理本身 设置最大迭代阈值；并行化独立工具调用；用小模型做意图路由，大模型仅做最终生成 编排开…
匹配口述回答：这道题问的是[[RAG]]的性能瓶颈和优化，其实本质上是在问，你怎么理解RAG系统中检索、生成、效率这三环的协同关系，而不是让我列一堆技术点。我一般会从三个维度去拆解：检索精度、生成质量和系统效率，但真正落地时，这三者经常是互相牵制的，你得有取舍。 先说检索精度。最直接的瓶颈是向量语义匹配不准，尤其当query里带专有名词或者缩写时，纯向量检索很容易跑偏。我的做法是上[[混合检索]]，把[[BM25]]关键词召回和向量召回结合起来，用RRF融合排序。比如客服场景里用户问“满2…
学习内容与项目面试，在同一条路上。