收藏!大模型三大技术对比:提示工程、RAG与微调,何时使用?小白友好指南

LangChain入门指南 LangChain是一个强大的框架,旨在帮助开发人员使用语言模型构建端到端的应用程序。它提供了一套工具、组件和接口,可简化创建由大型语言模型 (LLM) 和聊天模型提供支持的应用程序的过程。LangChain 可以轻松管理与语言模型的交互,将多个组件链接在一起,并集成额外的资源,例如 API 和数据库。官方文档:https://python.langchain.com/en/latest/ 阅读详情

1、提示工程VS RAG VS 微调,什么时候使用?

在这里插入图片描述

2、什么场景下应该选择RAG 而不是Fine-tuning?

  • 知识需要频繁更新:如产品文档、FAQ,用RAG 只需更新向量库;
  • 需要引用来源:如客服系统需要告诉用户答案来自哪个文档;
  • 数据量有限:Fine-tuning 需要大量高质量数据,RAG 门槛更低;
  • 需要实时信息:新闻、股票等实时数据无法通过训练固化到模型;
  • 预算有限:RAG 的实现成本远低于微调。

三种模式不是互斥的,实际项目中常常组合使用。 比如:RAG + Fine-tuning (微调模型,让它可以更好地利用检索结果) 或者RAG + Prompt Engineering (优化检索后的提示词模板)。

3、文档分块策略有哪些?

文档分块(Chunking) 是RAG 系统的基础环节,分块质量直接影响检索效果。

在这里插入图片描述

4、项目中用什么分块策略?为什么选它?

如果项目知识库是产品FQA,在项目中使用滑动窗口+ 句子边界的混合策略:

  • 首先按句子边界切分,保证每个块语义完整;
  • 然后使用滑动窗口,设置20%重叠(window=512, step=100) ;
  • 重叠确保跨块的信息不会丢失。

选择原因:

  • 知识库是产品FAQ,段落之间有上下文依赖;
  • 用户问题可能涉及多个连续段落的信息;
  • 20%重叠在存储开销和检索质量间取得平衡;

分块大小经验值:

  • 一般推荐256-1024 tokens;
  • 小块: 检索精度高,但可能丢失上下文;
  • 大块: 上下文完整,但噪声多,检索精度下降;
  • 常见配置: chunk_size=512, overlap=50-100。
    在这里插入图片描述

5、RAG系统的流程

RAG的步骤:

Indexing => 如何更好地把知识存起来。

Retrieval => 如何在大量的知识中,找到一小部分有用的,给到模型参考。

Generation => 如何结合用户的提问和检索到的知识,让模型生成有用的答案。

这三个步骤虽然看似简单,但在RAG应用从构建到落地实施的整个过程中,涉及较多复杂的工作内容。

6、RAG系统详细的步骤都有哪些?

关键步骤:

Step1,文档解析

将PDF、Word、HTML等格式转换为纯文本。工具: PyPDF2, docx, BeautifulSoup。注意处理表格、图片等特 殊内容。

Step2,文档分块(Chunking)

将长文档切分为适合检索的小块。需要平衡块大小、上下文完整性、检索精度。

Step3,向量化(Embedding)

使用Embedding模型将文本块转换为向量。常用模型: text-embedding-v4等。

Step4,向量存储

将向量存入向量数据库。FAISS (本地)、Milvus (分布式)、 Pinecone (云服务)。同时存储元数据用于过滤和展示。

Step5,Query 改写 (可选)

处理模糊问题、补充上下文。使用LLM改写或扩展用户问题,提高检索召回率。

Step6,向量检索

计算Query向量与文档块向量的相似度,返回Top-K结果。距离度量: 余弦相似度、L2距离、内积。

Step7,重排序(Rerank)

使用Cross-Encoder对Top-K结果精排,选出最相关的Top N。显著提升最终效果。

Step8,Prompt 构建

将检索到的文档块拼接到Prompt中,作为LLM的上下文。注意控制总长度,避免超过模型上下文窗口。

Step9,LLM 生成

LLM基于Prompt生成最终答案。可以要求模型引用来源,提高可信度。

7、Embedding模型有哪些选择?

8、Embedding模型选择都有哪些考虑因素?

语言支持

  • 中文场景:BGE、text-embedding-v4
  • 英文场景:OpenAI系列
  • 多语言:bge-m3

部署方式

  • API调用:OpenAI、通义
  • 私有化部署:BGE、M3E
  • 混合:都支持

性能指标

  • 延迟:本地部署< API调用
  • 吞吐:取决于硬件/并发
  • 精度:需要在自己数据上测试

成本考量

  • API按量付费,初期低
  • 私有部署需GPU,长期划算
  • 维度影响存储成本

9、如果RAG 效果很差,可以从哪几个方面去调试?

会按照RAG 的流程,逐步排查问题:

Step1,检索阶段调试

Step2,生成阶段调试

Step3,调试工具与方法

# 调试检索效果的方法
def debug_retrieval(query, index, metadata, k=10):
"""打印检索详情,帮助调试"""
query_vec= get_embedding(query)
distances, indices = index.search(
np.array([query_vec]).astype('float32'), k
)
print(f"Query: {query}")
print("-" * 80)
for rank, (idx, dist) in enumerate(zip(indices[0],
distances[0])):
if idx== -1:
continue
doc = metadata[idx]
similarity = 1 / (1 + dist)  # L2距离转相似度
print(f"Rank{rank+1} | 相似度: {similarity:.4f} | 距离: {dist:.4f}")
print(f"来源: {doc.get('source', 'N/A')}")
print(f"内容: {doc['text'][:100]}...")
print("-" * 40)
return indices, distances
  • 先用debug_retrieval检查检索结果是否正确;
  • 如果检索结果好但生成差,优化Prompt;
  • 如果检索结果差,从分块/Embedding/Query改写入手;
  • 记录Bad Case,建立评估数据集持续改进。

10、当用户的问题很模糊,或者依赖上一轮对话时,RAG 怎么优化?

Step1,问题类型分析

Step2,Query 改写技术

Step3,多轮对话RAG 架构

实践建议:

  • 对话历史不宜过长,一般保留最近3-5轮;
  • 可以用LLM判断是否需要改写,避免每次都改写;
  • 改写模型可以用较小的模型,降低延迟;
  • 记录改写前后的Query,便于调试。

11、只用向量检索吗?它有什么缺点?什么是混合检索?

向量检索的缺点:

  • 对精确关键词匹配不敏感(如产品型号、人名) ;
  • 可能漏掉字面完全匹配的内容;
  • Embedding模型对领域专有词理解可能不准。

混合检索:结合向量检索和关键词检索(BM25),取长补短。

12、检索召回了20 条文档,怎么确保喂给LLM 的是最好的3条?

使用Rerank (重排序) 技术,对初步召回的结果进行精排。Rerank流程如下:

Bi-Encoder (向量检索) :Query和Document分别编码,计算向量相似度。

  • 速度快,适合大规模召回;
  • Query和Doc独立编码,交互信息少;
  • 精度相对较低。

Cross-Encoder (Rerank) :Query和Document拼接后一起编码,直接输出相关性分数。

  • 精度高,能捕捉细粒度交互;
  • 速度慢,只能处理少量候选;
  • 适合对Top-K精排。

Rerank 实践建议:

  • 召回数量(recall_k) 一般设置为最终需要数量的5-10倍;
  • Rerank模型选择:中文推荐bge-reranker,多语言用Cohere;
  • Rerank会增加延迟,需要在效果和速度间权衡;
  • 可以设置分数阈值,过滤低相关性结果。

13、系统上线后,怎么维护和迭代知识库?

知识库维护是一个持续的过程,包括以下几个方面:

14、维护知识库能否通过Agent RL

Agent RL的核心思路:让Agent从环境反馈中学习改进策略。 关键是定义好:状态、动作、奖励。

对于企业场景,推荐方案A + 选择性微调的组合。

维护最佳实践:

  • 定期审核:每周/月审核Bad Case,识别系统性问题;
  • 增量更新:避免全量重建,使用增量方式更新索引;
  • 版本控制:保留历史版本索引,支持快速回滚;
  • 文档生命周期:设置过期时间,自动标记/清理过期内容;
  • 监控告警:检索空结果率、用户负反馈率等指标超阈值时告警。

15、如何评估一个RAG 系统的好坏?

RAG系统的评估需要从检索质量和生成质量两个维度进行:

16、什么是RAGAS?

RAGAS (Retrieval Augmented Generation Assessment) 是一个专门用于评估 RAG 系统的开源框架,由Exploding Gradients 团队开发。

核心特点:

  • 无需人工标注: 使用LLM 自动评估,大幅降低评估成本;
  • 端到端评估: 同时评估检索质量和生成质量;
  • 指标全面: 提供Faithfulness、Answer Relevancy、Context Precision 等核心指标;
  • 易于集成: 与LangChain、LlamaIndex 等主流框架无缝对接。

安装: pip install ragas

GitHub: https://github.com/explodinggradients/ragas

生成质量指标(RAGAS框架)

  • Faithfulness (忠实度)

答案是否基于检索到的内容,而非幻觉。评估方法: 用LLM判断答案中的每个声明是否能在上下文中找到支撑。

  • Answer Relevance (答案相关性)

答案是否回答了用户的问题。评估方法: 用LLM根据答案反向生成问题,与原问题比较相似度。

  • Context Relevance (上下文相关性)

检索到的内容是否与问题相关。评估方法: 计算上下文中与问题相关的句子比例。

  • Context Recall (上下文召回)

检索是否召回了回答问题所需的所有信息。评估方法: 对比标准答案,检查所需信息是否被检索到。

评估建议:

  • 构建包含50-100个样本的评估集,覆盖各类问题;
  • 定期运行评估,监控系统质量变化;
  • 重点关注Faithfulness,这是RAG的核心价值;
  • 结合定量指标和人工抽检。

17、什么是GraphRAG,与传统RAG的区别?

GraphRAG 是微软提出的增强型RAG架构,通过构建知识图谱来增强检索和推理能力。

GraphRAG 使用建议:

  • 构建成本高,适合高价值、复杂的知识库;
  • 对于简单FAQ,传统RAG已足够;
  • 可以与传统RAG结合: 简单问题用传统RAG,复杂问题用GraphRAG。

18、GraphRAG 中的核心概念都是什么?

Entity (实体):从文档中抽取的关键对象。例: 人名、地名、产品名、概念;

Relationship (关系):实体之间的联系。例: “属于”、“制造”、“位于”;

Community (社区):图中紧密相连的实体群组,通过社区检测算法发现;

Community Summary:每个社区的LLM生成摘要,用于回答全局性问题。

19、GraphRAG 中的两种查询模式都是什么?

  • Local Search (局部搜索)

适合:“XXX公司的CEO是谁?” 这类精确问题。

流程:Query -> 找到相关实体-> 沿关系扩展-> 收集上下文-> 生成答案。

  • Global Search (全局搜索)

适合:“这篇文档的主要观点是什么?” 这类总结性问题。

流程:Query -> 遍历社区摘要-> Map-Reduce聚合-> 生成综合答案。

20、RAG 和Fine-tuning 怎么选?

选RAG:知识更新频繁、需要引用来源、数据量小、预算有限。

选Fine-tuning:需要改变模型风格/格式、领域术语复杂、追求推理速度。

组合使用:先微调让模型更好地遵循检索结果,再用RAG注入知识。

21、如何处理知识库中的矛盾信息?

  • 为文档添加时间戳元数据,优先使用最新的;
  • 为文档添加权威度标签,优先使用官方来源;
  • 检索时同时返回多个来源,让LLM综合判断;
  • 在Prompt中要求LLM指出信息冲突。

22、RAG 系统的延迟优化有哪些方法?

  • 向量检索:使用ANN索引(HNSW, IVF),降低精确度换速度;
  • Embedding:使用本地小模型,或异步预计算;
  • Rerank:减少候选数量,或使用蒸馏小模型;
  • LLM:使用流式输出,选择更快的模型;
  • 缓存:相似Query复用检索结果。

23、如何处理超长文档?

  • 分层索引:先检索摘要,再检索详细段落;
  • 滑动窗口:保留上下文的分块策略;
  • 长上下文模型:使用支持128K+的模型(如Qwen, Claude);
  • 迭代检索:先检索一部分,根据LLM判断是否需要更多,

24、如何防止LLM幻觉?

  • Prompt 明确指令:“仅基于提供的信息回答,不确定时说不知道”;
  • 要求引用:让LLM标注答案来源于哪个文档;
  • 降低temperature:减少随机性;
  • 答案验证:用另一个LLM检查答案是否有上下文支撑;
  • Rerank 精选:确保上下文高度相关;

25、多模态RAG 怎么做?

  • 图片:使用多模态Embedding模型(如CLIP, 通义VL) 将图片向量化;
  • 表格:转换为Markdown或JSON,保持结构信息;
  • PDF:OCR提取文字+ 图表单独处理;
  • 视频:抽帧+ 语音转文字,分别建索引;
  • 统一使用多模态Embedding,实现跨模态检索。

26、如何保证RAG 系统的安全性?

  • Prompt 注入防护:过滤用户输入中的指令;
  • 权限控制:根据用户角色过滤可检索的文档;
  • 敏感信息处理:脱敏后入库,或标记敏感级别;
  • 输出过滤:检查生成内容是否包含敏感信息;
  • 审计日志:记录所有查询和检索内容。

普通人如何抓住AI大模型的风口?

领取方式在文末

为什么要学习大模型?

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 , 大模型作为其中的重要组成部分 , 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力, 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ,为各行各业带来了革命性的改变和机遇 。

目前,开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景,其中,应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
在这里插入图片描述

随着AI大模型技术的迅速发展,相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业:
在这里插入图片描述

人工智能大潮已来,不加入就可能被淘汰。如果你是技术人,尤其是互联网从业者,现在就开始学习AI大模型技术,真的是给你的人生一个重要建议!

最后

只要你真心想学习AI大模型技术,这份精心整理的学习资料我愿意无偿分享给你,但是想学技术去乱搞的人别来找我!

在当前这个人工智能高速发展的时代,AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长,真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料,能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发

【附赠一节免费的直播讲座,技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等,欢迎大家~】
在这里插入图片描述

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来,我们不断打磨课程体系与技术内容,在细节上精益求精,同时在技术层面也新增了许多前沿且实用的内容,力求为大家带来更系统、更实战、更落地的大模型学习体验。

图片

希望这份系统、实用的大模型学习路径,能够帮助你从零入门,进阶到实战,真正掌握AI时代的核心技能!

01 教学内容

图片

  • 从零到精通完整闭环:【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块,内容比传统教材更贴近企业实战!

  • 大量真实项目案例: 带你亲自上手搞数据清洗、模型调优这些硬核操作,把课本知识变成真本事‌!

02适学人群

应届毕业生‌: 无工作经验但想要系统学习AI大模型技术,期待通过实战项目掌握核心技术。

零基础转型‌: 非技术背景但关注AI应用场景,计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈: 传统开发者(Java/前端等)学习Transformer架构与LangChain框架,向AI全栈工程师转型‌。

image.png

vx扫描下方二维码即可
【附赠一节免费的直播讲座,技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等,欢迎大家~】
在这里插入图片描述

本教程比较珍贵,仅限大家自行学习,不要传播!更严禁商用!

03 入门到进阶学习路线图

大模型学习路线图,整体分为5个大的阶段:
图片

04 视频和书籍PDF合集

图片

从0到掌握主流大模型技术视频教程(涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向)

图片

新手必备的大模型学习PDF书单来了!全是硬核知识,帮你少走弯路(不吹牛,真有用)
图片

05 行业报告+白皮书合集

收集70+报告与白皮书,了解行业最新动态!
图片

06 90+份面试题/经验

AI大模型岗位面试经验总结(谁学技术不是为了赚$呢,找个好的岗位很重要)图片
在这里插入图片描述

07 deepseek部署包+技巧大全

在这里插入图片描述

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发

【附赠一节免费的直播讲座,技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等,欢迎大家~】
在这里插入图片描述

大模型之LangChain介绍 LangChain 就是一个 LLM 编程框架,你想开发一个基于 LLM 应用,需要什么组件它都有,直接使用就行;甚至针对常规的应用流程,它利用链(LangChain中Chain的由来)这个概念已经内置标准化方案了。下面我们从新兴的大语言模型(LLM)技术栈的角度来看看为何它的理念这么受欢迎。其官方的定义。 阅读详情

相关推荐

一文彻底搞懂什么是LangChain?

LangChain赋予了开发人员将LLM与其他计算和知识来源相结合以构建应用程序的能力。使用LangChain,开发人员可以使用一个抽象LLM应用程序的核心构建块的框架。探索LangChain的能力并尝试其各个组件,会发现可能性几乎无限。LangChain框架提供了一种灵活和模块化的语言生成方法,允许创建根据用户特定需要量身定制的定制解决方案。

女王の专属领地 2万+

什么是LangChain?从零开始入门 LangChain

LangChain 作为一个新兴的开源 LLM 开发框架,它的设计理念和一些实现方法都有值得我们借鉴的地方。当然一个开源项目必然有自己的优点的同时也会存在不少的缺点。我们在实际使用的时候,应该按照自己的需求和实际情况去选择,切记,不要简单的因为网上的评论而做出选择。毕竟,好不好用,只有你自己才清楚。

2401_85375151的博客 3万+

Stata实战入门:从数据导入到基础分析的全流程指南

本文提供了Stata实战入门的全流程指南,从数据导入、清洗到基础分析和可视化,帮助初学者快速掌握Stata的核心功能。通过详细的步骤和实用技巧,读者可以高效完成数据处理、变量操作、描述性统计和回归分析等任务,提升数据分析效率。

weixin_28327051的博客 384

从零开始入门 LangChain

本篇文章中将和大家讲述什么是 LangChain ,以及 LangChain 解决了现在大模型发展的哪些问题,然后会讲解LangChain 中基础的概念和组件。

2301_81940605的博客 1万+

应广单片机 按键点灯 PMS171B GPIO LED

我也是第一次使用这款单片机,参考网友的资料,写个最近简单的demo 测试用例 #include "extern.h" /*端口定义*/ BIT KEY : PA.0; BIT SW : PA.4; /*相应于main函数*/ void FPPA0 (void) { /*单片机内部RC震动时钟为 IHRC默认为16M,因此,IHRC/2=8M,系统时钟为8M*/ .ADJUST_IC...

大江的专栏 1004

RISC-V内核移植实战:从零开始手把手实现RT-Thread上下文切换(附GD32VF103代码解析)

本文详细解析了在RISC-V架构上移植RT-Thread实时操作系统的核心步骤,重点聚焦于上下文切换机制的实现。通过对比ARM Cortex-M与RISC-V在中断处理和寄存器管理上的关键差异,并以GD32VF103开发板为例,手把手指导开发者完成libcpu抽象层适配、线程栈初始化以及三种上下文切换方式的代码编写与调试,为嵌入式开发者从ARM转向RISC-V平台提供了实战指南。

fern8的博客 740

【收藏级干货】大模型三大优化技术深度对比:提示词、微调与RAG,助你成为AI高手

本文系统对比了大模型优化的三大技术:提示词工程操作简单但有能力上限;模型微调可深度适配专业领域但资源消耗大;检索增强生成(RAG)结合动态知识库,平衡时效性与经济性。RAG特别适合金融、医疗等快速演进领域,以1/3微调成本实现85%专业效果。技术选型应基于应用场景:提示工程适合原型验证,微调适合专业垂直领域,RAG则是生产环境的优选方案。学习这些技术有助于抓住AI大模型发展机遇,提升职业竞争力。

2401_85375186的博客 1127

FDTD仿真实战:从材料导入到反射率曲线分析

本文提供了一份完整的FDTD仿真实战指南,详细讲解了从自定义材料(如WO3)数据导入、结构建模、仿真区域与网格设置,到光源与监视器配置、运行仿真并提取反射率数据的全流程。重点解决了材料库缺失、网格优化、边界条件设置等常见难题,旨在帮助研究人员高效、准确地通过FDTD仿真获取材料的关键光学特性——反射率曲线。

elastic6hunter的博客 345

【收藏必学】大模型微调三大技术对比:全模型微调、LoRA与RAG实战指南

保证100%免费。

EnjoyEDU的博客 2308

奇迹mu服务端DATA文件解析:从基础配置到高级玩法

本文深入解析奇迹MU服务端DATA文件的核心配置与高级玩法,涵盖基础设置、怪物AI系统、技能战斗机制、副本事件管理及物品商城定制。通过详细示例和实用技巧,帮助开发者掌握从经验倍率调整到动态事件触发的全方位配置方法,实现个性化的私服搭建与运营。

weixin_29254673的博客 532

从零到一:使用阿里云百炼搭建企业级 AI Agent 完全实战手册(2026超详细版)

本文是一份企业级AI Agent构建手册,主要面向企业技术负责人、AI产品经理和后端开发工程师。手册详细介绍了如何在阿里云百炼平台上搭建企业智能体应用的全流程,包括环境准备、知识库构建、智能体创建、工具集成、工作流编排等核心环节。重点内容包括: 准备工作:阿里云账号注册、百炼服务开通、免费额度领取、API Key管理 知识库构建:文档格式要求、内容优化原则、RAG系统搭建 智能体开发:Agent创建、工具集成、复杂业务工作流设计 生产部署:多渠道接入、监控运维、安全治理 成本控制:Token预算管理、选型决

u010323587的专栏 1112

大模型三大利器:提示工程、RAG、模型微调 技术解析与实践指南

摘要:本文系统介绍了AI应用的三大核心技术方法:提示工程通过优化提问方式激活大模型潜力,适用于通用场景;检索增强生成(RAG)通过外接知识库弥补模型的专业盲区,适合垂直领域;模型微调则通过特定数据训练实现任务专属优化。文章通过医疗诊断、农业检测等案例对比了三者的应用场景与实施步骤,并提供了技术选型的决策树:优先尝试提示工程,再考虑RAG,最后选择微调。这三种方法分别对应沟通优化、知识补充和专项训练,建议开发者根据需求从低成本方案逐步升级,实现最优技术落地。

没事学AI的博客 1132

fastadmin管理员页面实现手机验证码登录功能-腾讯云短信插件

fastadmin管理员页面实现手机验证码登录功能-腾讯云短信插件

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 4199

【必学收藏】提示工程VS RAG VS 微调,大模型应用场景全解析,一篇搞定!

文章全面介绍RAG(检索增强生成)技术,与提示工程、微调的对比及适用场景。详细阐述RAG系统工作流程(文档解析、分块、向量化、存储、检索、重排序等),以及文档分块策略、Embedding模型选择、系统调试、维护评估和GraphRAG等高级技术。强调三种技术常组合使用,提供丰富实践建议和优化方法,帮助构建高效可靠的RAG系统。

weixin_72959097的博客 1443

学Simulink--决策规划场景实例:基于Simulink的智能车辆行为决策仿真

本文基于Simulink平台构建智能车辆变道决策仿真系统,采用MOBIL算法实现"决策-规划-执行"全流程。系统包含自车动力学模型、环境感知模块(含5%噪声)、决策控制器和轨迹规划模块,通过五次多项式实现平滑变道。仿真验证了三种典型工况:正常变道(成功率100%)、邻车拒绝让行和紧急避障,各项指标均满足要求(TTC>3s,横向加速度<2m/s²,决策周期<100ms)。文章详细介绍了建模步骤、核心算法实现和参数配置方法,并提出了强化学习、多车协同等优化方向。该模型为智能

amy_mhd的博客 153

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

【建议收藏】大模型三大优化技术深度对比:蒸馏 vs RAG vs 微调,到底怎么选?

LORA (Low-Rank Adaptation) 微调是一种针对大规模预训练模型的优化技术,用于在较少计算资源和数据的情况下,对这些模型进行有效微调。

WhiteHat_Zhou的博客 1791

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

程序员必看!提示工程、RAG与微调如何选择?这篇收藏级指南帮你搞定

对精确关键词匹配不敏感(如产品型号、人名);可能漏掉字面完全匹配的内容;Embedding模型对领域专有词理解可能不准。混合检索:结合向量检索和关键词检索(BM25),取长补短。RAGAS (Retrieval Augmented Generation Assessment) 是一个专门用于评估 RAG 系统的开源框架,由Exploding Gradients 团队开发。无需人工标注: 使用LLM 自动评估,大幅降低评估成本;端到端评估: 同时评估检索质量和生成质量;

kaka0722ww的博客 839

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

收藏!小白也能学:AI大模型风口入门指南(提示词工程+微调+RAG)

文章指出普通人抓住AI大模型风口无需掌握深度学习底层技术,只需学习提示词工程、模型微调和RAG三大核心技能。提示词工程是设计AI的思考框架,微调让模型适配特定场景,RAG解决模型记忆和知识更新问题。这三者组合应用能解决业务痛点,使提示词工程师成为AI时代最易上车的高薪岗位。AI风口属于会用技术解决问题的人,而非AI科学家。

2401_84815887的博客 972

一文搞懂提示词工程、RAG、微调,非常详细收藏我这一篇就够

方法比喻优势劣势提示词工程(PE)用言语指引高手施展已有武学快,能即时适应新任务受限于模型已有知识,无法学习新武功微调(Fine-tuning)闭关修炼,习得新武学精度最高,专精特定领域训练时间长,适应性低检索增强生成(RAG)随身携带武学秘籍,临阵查阅并施展灵活,知识可随时更新需要额外检索,响应速度较慢。

2401_84204207的博客 1498

大模型应用开发必学:提示工程、RAG与微调全解析【建议收藏】

本文系统介绍大模型应用开发的三种模式:提示工程、RAG(检索增强生成)和微调,重点解析RAG技术原理与实现。RAG通过外部知识库检索提升回答准确性和时效性,减少幻觉问题。文章详细拆解RAG工作流程(数据准备和检索生成两阶段),并基于DeepSeek+Faiss提供本地知识库搭建的完整代码实现,涵盖文档处理、向量化存储到问答生成全流程。同时指出RAG在检索质量和上下文长度方面的局限性,为开发者构建高效可靠的大模型应用提供实用指南。

libaiup的博客 941

大模型微调与RAG的优点与缺点,大模型入门到精通,收藏这篇就够了

这里我分几个方面来进行对比吧。首先是知识层面,这个应该是RAG使用者最关心的。RAG对知识的更新时间和经济成本更低。不需要训练,只需要更新数据库即可。RAG对知识的掌控力会更强,相比微调更不用担心学不到或者是遗忘的问题。但是如果模型强缺乏某个领域的知识,足量数据的微调才能让模型对该领域有基本的概念,如果不具备领域知识基础,RAG仍旧无法正确回答。然后是具体任务效果的问题。RAG相比微调能更容易获得更好的效果,突出的是稳定性、可解释性。

leah126的博客 1936

【必收藏】大模型性能提升三大法宝:RAG、微调与提示词工程实战指南

本文解析了提升大模型回答质量的三种方法:检索增强生成(RAG)连接外部知识获取最新信息;微调通过专门训练使模型掌握特定领域知识;提示词工程优化输入引导模型生成更准确内容。这三种方法各有优劣,实际应用中常结合使用,在准确性、时效性和成本间寻找平衡,释放大模型潜力。

2401_84815887的博客 910

大模型技术选型必看指南:提示工程、RAG与微调如何选择?附收藏级决策框架与避坑清单

本文系统对比了大模型三大技术方案(提示工程、RAG、微调)的原理、特点与适用场景,提供五层思考决策框架和选型决策树。文章从需求分析、数据评估、成本收益核算等维度,帮助读者根据业务场景、数据基础和预算约束,选择最适合的技术方案,避免常见选型陷阱,确保项目成功落地。

2401_85325726的博客 1064

一文读懂大模型三大适配技术:全参数微调、LoRA与RAG,附选型指南(建议收藏)

本文详细对比了大模型三大适配技术:全参数微调(精度高但资源消耗大)、LoRA(高效省资源)和RAG(无需训练,可实时更新知识)。文章分析了各自的工作原理、优缺点和适用场景,并提供了选型指南:学习新技能选LoRA,处理私有/最新数据选RAG,对性能极致要求且资源充足可考虑全参数微调,而"RAG + LoRA"组合策略通常是最佳实践。

ytt0523_com的博客 1229

收藏必备:RAG技术实战指南,详解何时选择微调、提示工程或检索增强生成

本文系统介绍了RAG技术的核心流程与优化策略,包括文档分块、向量检索、重排序等关键环节,对比了RAG与微调、提示工程的适用场景。针对实际应用中的模糊查询、多轮对话等挑战,提出了Query改写和混合检索等解决方案,并详细探讨了Embedding模型选型、系统调试方法以及知识库维护策略。文章还介绍了GraphRAG等前沿技术,为企业构建高效可靠的RAG系统提供了全面指导。

2301_76168381的博客 643

建议收藏:零基础也能玩转AI大模型:提示词工程+微调+RAG实战指南

本文指出普通人无需深入学习AI底层技术,只需掌握提示词工程、模型微调和RAG三项核心技术即可快速入门大模型应用。提示词工程是设计AI的思考框架,需结构化;微调解决模型在特定场景的不足;RAG+微调组合能解决私有数据和最新知识问题。提示词工程师已成为高薪资、易上手的岗位,AI时代的风口属于"会用技术解决问题的人",而非"AI科学家"。

2401_85373691的博客 1360
上一篇: 收藏!一文读懂上下文工程:提升LLM性能的革命性方法,从入门到实战
下一篇: 收藏这篇就够了!RAG评估体系完整指南,助你打造高性能问答系统
不秃头de程序猿
博客等级 码龄5年 4091粉丝 1480原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值