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 检索机制」找到 7 条内容
按专题浏览 →匹配题目：请详细描述RAG（Retrieval-Augmented Generation）的技术实现流程，包括文档处理、检索机制、上下文构建和生成优化等关键环节。
匹配正文：…｜ ~10% 学到这一步,做几道题验证一下,知道自己学到位没。 关联面试题(5 道,覆盖 5 个角度) 【整体架构与流程】 解释 RAG 的整体架构与完整工作流程。 中等 → 【离线索引构建】 描述构建近似最近邻(ANN)索引的完整流程和关键技术选择。 中等 → 【在线检索机制】 详细解释 RAG 中检索模块(Retriever)的工作机制。 中等 → 【为什么混合检索】 为什么要采用混合检索(Sparse + Dense)?分别阐述其作用。 较难 → 【召回链路全局优化】 …
匹配正文：核心思想 GraphRAG由微软提出，核心是将非结构化文本转化为结构化知识图谱，再基于图的拓扑结构进行语义检索，而非传统RAG的"文本切块+向量相似度"模式。 相对于传统RAG的创新 1. 知识组织方式：层次化图结构 传统RAG：文档→切片→Embedding，信息原子化，丢失跨段落关联 GraphRAG：提取实体→关系→社区三层结构 实体节点：人、组织、概念等 关系边：语义关联（如"投资"、"位于"） 社区：基于图聚类的语义簇，生成高层摘要 2. 检索机制：全局语义 vs …
学习内容与项目面试，在同一条路上。