京东二面真题:RAG 检索优化实战教程(非常详细),提升正确率从入门到精通,收藏这一篇就够了!

【日志】Prometheus/Loki+Alertmanager+Grafana监控告警 参考文章:匹配写法:https://blog.ossq.cn/2674.html。 阅读详情

1. 题目分析

RAG 系统里最容易被低估的环节,恰恰是检索。很多人把精力花在 Prompt 调优或者换更强的生成模型上,结果发现效果依然不理想——问题根本不在生成端,而是检索端喂进去的上下文就是错的。垃圾进,垃圾出,这个道理在 RAG 中体现得淋漓尽致。所以这道题实际上切中了 RAG 工程化落地中最关键的痛点:你怎么确保从知识库里捞出来的内容,真的是回答用户问题所需要的那些?

要把这个问题讲透,我们需要先搞清楚检索"不正确"到底是怎么发生的,然后再分层去看有哪些手段可以在各个环节做优化。

1.1 检索失败的根因

RAG 检索出错,表面上看是"找的内容不对",但背后的原因可以归纳为三重鸿沟。

第一重是表达鸿沟。用户问问题的方式和知识库中存储答案的表述方式往往差异很大。用户可能问"模型老是胡说八道怎么办",但知识库里的文档写的是"大语言模型幻觉问题的缓解策略"。语义上它们讲的是同一件事,但在 Embedding 空间中这两段文本的向量可能距离不近,因为一个是口语化的提问,一个是学术化的陈述。

第二重是粒度鸿沟。用户的问题通常指向一个具体的点,但知识库中的文档可能是一篇长文,真正相关的内容只占其中一两段。如果 Chunk 切得太大,检索回来的片段里有效信息密度低,会被大量无关内容稀释;切得太小,又可能把一个完整的论述拆散,失去上下文导致语义不完整。

第三重是意图鸿沟。用户的 Query 往往是简短甚至模糊的,背后真正的信息需求并没有被完整表达出来。比如用户问"Transformer 的注意力机制",他到底是想了解原理?还是想看代码实现?还是想知道和 RNN 的对比?Query 本身没有给出足够的信息来精确定位检索方向。

理解了这三重鸿沟,我们就能更有针对性地讨论各种优化手段了——每一种方法,本质上都在试图弥合其中一道或多道鸿沟。

1.2 Query 侧优化

最直接的优化思路是改造用户的 Query——既然原始 Query 和知识库之间存在表达和意图上的鸿沟,那就在检索之前把 Query 变换成更容易命中目标的形式。

Query Rewriting(查询改写) 是最基础也最有效的手段之一。做法是在检索前用 LLM 对用户的原始 Query 进行一次改写,让它在保持语义不变的前提下更接近知识库的表述风格。比如把"模型老是胡说八道怎么办"改写成"如何减少大语言模型的幻觉输出"。改写后的 Query 在 Embedding 空间中会更贴近知识库文档的向量表示,从而提高召回率。改写可以是简单的风格转换,也可以是更深层次的语义补全——比如把一个代词指代不清的追问(“它为什么会这样?”)结合上下文补全成一个独立完整的问题。

Multi-Query(多查询扩展) 则走得更远一步。它不是把 Query 改写成一个更好的版本,而是让 LLM 从不同角度生成多个变体 Query,每个变体侧重不同的方面,然后分别用这些 Query 去检索,最后合并去重结果。这背后的直觉很朴素:一个 Query 只能从一个角度"照亮"知识库,多个 Query 就像从多个方向打了探照灯,照到的范围自然更大。比如用户问"如何优化 RAG 系统",LLM 可能生成"RAG 检索阶段的优化技巧"、“RAG 系统中 Chunk 策略的最佳实践”、"提升 RAG 生成质量的方法"三个变体,各自检索的结果取并集,能覆盖更多相关文档。

HyDE(Hypothetical Document Embeddings) 是一种更巧妙的思路。它不去改写 Query,而是让 LLM 直接为这个 Query 生成一个"假想的理想答案文档"。注意这个答案可能在事实上不准确——但没关系,关键在于它在文体和表述方式上和知识库中的真实文档非常接近。然后用这个假想文档的 Embedding 去检索,相当于"用文档找文档",比"用问题找文档"在向量空间中的匹配度天然更高。这个方法直接攻克了表达鸿沟——它本质上把 Query-Document 的跨体裁匹配问题,转化成了 Document-Document 的同体裁匹配问题。

1.3 索引侧优化

Query 侧的优化是"改造问题去适应知识库",索引侧的优化则是反过来——“改造知识库去适应问题”。这一层的工作发生在离线的数据预处理阶段,效果往往更根本性。

Chunk 策略是索引优化的核心问题。最朴素的做法是按固定长度切(比如每 512 个 token 一个 Chunk),但这完全无视文档的语义结构,经常把一段完整的论述从中间劈开。更合理的方式是基于语义边界切分——按段落、按章节、或者用 LLM / 句子相似度检测来找到语义转折点,确保每个 Chunk 内部是一个自洽的信息单元。

进一步的优化是多层级 Chunk 组织。一种经典方案叫"小 Chunk 检索,大 Chunk 喂模型"——检索时用小粒度的 Chunk(比如 128 token)来保证精准匹配,命中之后再把这个小 Chunk 所在的上级大 Chunk(比如整个段落或整页)送给 LLM 作为上下文,兼顾了检索精度和上下文完整性。LangChain 中的 Parent Document Retriever 就是这个思路的实现。

Embedding 模型的选择和微调同样至关重要。通用的 Embedding 模型(如 OpenAI 的 text-embedding-3 或开源的 BGE 系列)在大多数场景下都不错,但如果你的知识库是某个高度专业化的领域(比如医学文献、法律条文、金融研报),通用模型对领域术语的理解可能不够精准。这时候用领域内的问答对数据对 Embedding 模型做微调,可以显著提升检索效果。微调的本质是让模型把领域内语义相近的概念在向量空间中拉得更近。

元数据增强是一个常被忽视但非常实用的手段。在构建索引时,除了文本本身的 Embedding,还可以为每个 Chunk 附加结构化的元数据——比如来源文档的标题、章节层级、文档类型、时间戳、作者等。检索时结合元数据做过滤,可以大幅减少无关结果。比如用户问"2024 年最新的 GPT-4 技术报告说了什么",在向量检索之前先用时间戳和文档类型过滤一遍,能去掉大量年份不对的噪声文档。

1.4 检索策略侧优化

前面两层分别优化了"问什么"和"在哪找",这一层则是优化"怎么找"。

混合检索(Hybrid Search) 可能是投入产出比最高的单一优化手段。纯向量检索擅长语义匹配,但对精确关键词匹配反而不灵敏——用户搜一个特定的 API 名称或错误码,向量检索可能给你返回一堆语义相关但不包含那个精确词的结果。传统的关键词检索(如 BM25)恰好相反,它对精确匹配非常敏感,但理解不了同义词和语义关联。混合检索把两者结合起来,同时用向量检索和 BM25 各跑一遍,然后用 RRF(Reciprocal Rank Fusion) 等算法将两路结果融合排序。这样既能捕获语义相似的内容,又不会漏掉精确匹配的关键词结果。实际工程中,几乎所有成熟的 RAG 系统都在用混合检索,效果提升非常稳定。

多路召回(Multi-Route Retrieval) 是混合检索思想的进一步延伸。除了向量和关键词两路,还可以引入更多召回源——比如知识图谱检索(适合实体关系类的问题)、SQL 查询(适合结构化数据中的精确查找)、甚至全文搜索引擎(如 Elasticsearch)。不同的召回源擅长处理不同类型的问题,多路并行可以提高整体的召回覆盖率。

1.5 Reranking

即使经过了前面所有的优化,初次检索返回的 Top-K 结果中仍然可能混入不相关的文档。这时候就需要一个"精筛"步骤——Reranking(重排序)。

Reranking 的工作原理和初次检索有一个关键区别。初次检索(无论是向量检索还是关键词检索)为了效率必须把 Query 和每个文档独立编码,然后比较它们的向量——这是一种 Bi-Encoder 架构,速度快但交互不够深。Reranker 则采用 Cross-Encoder 架构,它把 Query 和候选文档拼接成一个序列一起送进模型,让 Query 和文档中的每个 token 都能充分交互注意力,从而做出更精确的相关性判断。代价是速度慢——所以只对初次检索返回的少量候选(通常 Top-20 到 Top-50)做重排,而不是对整个知识库做。

这个"粗筛+精排"的两阶段架构在搜索和推荐领域已经是标准范式了。在 RAG 中,加一层 Reranking 通常能让最终送给 LLM 的上下文质量提升一个台阶。常用的 Reranker 包括 Cohere Rerank API、BGE-Reranker、以及用 LLM 本身做 Reranking(让 LLM 对每个候选打相关性评分)。

1.6 数据质量

最后要提一点:上面所有的花哨技术,都建立在一个前提之上——你的源数据本身质量要过关。如果灌进知识库的文档充满格式混乱、内容重复、信息过时、甚至互相矛盾的问题,那无论检索策略多先进,捞出来的还是垃圾。

实际项目中,数据清洗和预处理往往占到 RAG 系统建设工作量的一半以上。这包括:去除 PDF 转文本时产生的乱码和格式噪声;合并内容重复的文档避免同一信息在知识库中存在多个版本;识别并标注过时内容的时效性;对表格、图片等非文本内容做结构化提取。很多团队在这一步投入不足,然后花大量精力在检索策略上调参,这属于方向性的资源错配。


2. 参考回答

提高 RAG 检索正确率这件事,我一般从四个层面来系统思考。

首先是 Query 层面的优化。用户的原始查询往往和知识库的表述风格差距很大,我们在实际项目中会用 LLM 对 Query 做改写,让它更贴近文档的表达方式。更进一步的做法是 Multi-Query,让 LLM 从不同角度生成多个查询变体分别检索再合并结果,相当于多个角度去捞。还有一个比较巧妙的技巧叫 HyDE,直接让 LLM 生成一个假想的答案文档,然后用这个文档的 Embedding 去检索,把问题找文档变成文档找文档,在向量空间中的匹配效果更好。

第二个层面是索引和文档处理。Chunk 策略非常关键,我们的经验是不能简单按固定长度切,要根据文档的语义结构来切分。工程上常用的一个方案是"小 Chunk 检索、大 Chunk 喂模型",检索时用细粒度保证精准命中,生成时用它的父级 Chunk 保证上下文完整。另外如果是垂直领域,对 Embedding 模型做微调能带来明显的效果提升。

第三个层面是检索策略。我认为投入产出比最高的是混合检索——同时用向量检索和 BM25 关键词检索,通过 RRF 融合排序,因为两者在能力上是互补的:向量检索擅长语义匹配,BM25 擅长精确关键词匹配。

第四个层面是 Reranking。初次检索返回的 Top-K 结果用 Cross-Encoder 做一轮重排序,Cross-Encoder 让 Query 和文档的每个 token 充分交互,相关性判断比 Bi-Encoder 精细得多。加这一层通常能显著提升最终送给 LLM 的上下文质量。

当然,所有这些技术手段都有一个前提——源数据本身的质量要过关。实际项目中数据清洗往往占一半以上的工作量,文档质量不行的话再好的检索策略也救不回来。

学AI大模型的正确顺序,千万不要搞错了

🤔2026年AI风口已来!各行各业的AI渗透肉眼可见,超多公司要么转型做AI相关产品,要么高薪挖AI技术人才,机遇直接摆在眼前!

有往AI方向发展,或者本身有后端编程基础的朋友,直接冲AI大模型应用开发转岗超合适!

就算暂时不打算转岗,了解大模型、RAG、Prompt、Agent这些热门概念,能上手做简单项目,也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料,手把手帮你快速入门!👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型(GPT、文心一言等)特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架(LangChain等)实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块,看似清晰好上手,实则每个部分都有扎实的核心内容需要吃透!

我把大模型的学习全流程已经整理📚好了!抓住AI时代风口,轻松解锁职业新可能,希望大家都能把握机遇,实现薪资/职业跃迁~

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

2026年3月GESP真题及题解(C++七级):物流网络 阅读详情

相关推荐

单片机笔记十二:华大HC32L136超低功耗设计实战

本文详细介绍了华大HC32L136单片机的超低功耗设计实战,包括深度睡眠模式下仅0.5μA的电流消耗、五种功耗模式的对比与配置、外设使用技巧及硬件级优化方法。通过实际项目案例,展示了如何利用ARM Cortex-M0+内核的HC32L136显著延长电池寿命,适用于智能门锁、额温枪等低功耗设备。

weixin_29189373的博客 408

手把手教学RAG如何入门,大模型入门到精通,收藏这篇就足够了!(附教程)

要学习RAG,感觉最好就是直接上手搭建一套相关的大模型,从中就可以慢慢理解RAG到底是用来干嘛的。

pythonhy的博客 728

Android Framework之Pkms详解

system 用户并没有访问应用程序目录的权限,但是 Installd 服务是以 root 用户启动的,可以访问 /data/data/ 下的目录,Installd 需要完成一些创建应用数据的任务。Installer 服务是 Android 提供的用于安装的服务,Installer 持有 Installd 守护进程对应的 Binder 服务的代理对象,本质上是通过 Binder 通信调用底层的 Installd 服务真正完成 APK 文件格式的优化和转换、建立相关的数据目录、删除文件、安装应用等工作。

门徒07的博客 1843

京东大模型面试真题解析(非常详细),混合检索权重与RRF调参全解,收藏这一篇就够了!

前段时间有个学员找我复盘,他去面京东的AI算法岗,项目经历里写了一个金融保险公司的RAG问答系统,提到"用混合检索把召回率提升了17%"。

m0_59163425的博客 476

【OpenClaw从入门到精通】第11篇:OpenClaw 2026多模态实战全攻略:OCR/语音/图像自动化(附完整代码+双部署方案)

本文聚焦OpenClaw 2026版核心升级的多模态能力,从底层架构原理到实操落地全流程拆解。先解析“统一指令解析+多工具适配器”的核心设计逻辑,再提供阿里云规模化部署(适合批量任务)与本地汉化版部署(适合隐私数据调试)的详细步骤,含依赖安装、配置验证完整操作;随后落地三大高频实战场景——OCR合同信息结构化提取、会议录音自动转写纪要、电商商品图片智能打标,每个场景均提供可直接运行的完整代码、执行结果演示及流程说明;最后补充多模态任务避坑指南、性能优化技巧与成本控制方案。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 2615

PX4从放弃到精通(十一):混控及PWM输出

文章目录前言一、混控脚本二、使用步骤1.引入库2.读入数据总结 前言 一个人可以走的更快,一群人才能走的更远,交流学习加qq:2096723956 更多保姆级PX4+ROS学习视频:https://b23.tv/ZeUDKqy 分享知识,传递正能量,如有疏漏或不当之处,恳请指出. 一、混控脚本 混控脚本定义了不同 示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码如下(示例): import numpy as np import pand

超维空间科技的博客 1万+

2025最新保姆级教程:零基础掌握大模型RAG技术,收藏这一篇就够了!

立即扫码领取资料包,开启你的“知识增强”之旅!大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。包括:大模型学习线路汇总、学习阶段,大模型实战案例,大模型学习视频,人工智能、机器学习、大模型书籍PDF。观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。

lvaolan168的博客 1349

在zcu102开发板上使用PetaLinux运行Qt程序

请注意,上述步骤只是一个概述,并且可能需要根据特定的开发环境和要求进行适当的调整。如果你是一个初学者或者对于这些领域不太熟悉,建议在尝试之前阅读相关的文档和教程,或者寻求专业人士的帮助。在"Projects"菜单中,选择"Build & Run"选项,并在"Build"步骤中选择正确的工具链。注意:如果Qt程序依赖于其他库文件,需要将这些库文件一起复制到PetaLinux工程的根文件系统目录中,并在Qt程序中正确地配置库文件路径。如果一切顺利,PetaLinux系统将启动,并自动运行Qt程序。

UhxzCombined的博客 698

RAG系统优化实战:如何提升知识检索准确率的核心技巧

今天我们探讨一个话题,经典RAG流程在落地过程中有哪些关键问题需要我们考虑。

2301_81940605的博客 1415

10.2 全栈 CRUD 工程结构搭建:Cursor 4 步初始化 + 3 层目录规范

揭示 Cursor 工程初始化中 4 个关键动作如何将 AI 上下文感知能力从 30% 提升至 85%,包括用 pnpm create 显式声明结构契约、通过 monorepo.config.json 设定 workspace 根以支持跨包类型引用、在 shared 包中固化共享类型与协议,以及后续

weixin_42545292的博客 69

手把手教你学simulink(31.17)--双向DCDC电源场景示例:基于simulink 的双向DCDC应用:车载充电器的pi控制

通过引入PI控制器,系统可以更精确地控制电压和电流,确保充电和放电过程的稳定性和高效性。

MHD0815的博客 207

一文搞定AI大模型学习资源,从入门到精通,非常想详细收藏我这一篇就够了

近期了解学习了一些免费的AI大模型的课程资源,包括从入门到精通,适合不同学习阶段的需求,分享给大家。 \* 部分课程在科学上网模式下网页响应速度会更快些。

weixin_55154866的博客 743

【PINN物理信息网络】基于PINN物理信息网络求解圆柱坐标中的热方程(python)

【PINN物理信息网络】基于PINN物理信息网络求解圆柱坐标中的热方程(python)

k8291121的博客 2274

IT人员收藏!AI大模型教程(全面详解)从入门到精通,一篇就够了!

这篇教程系统讲解大模型核心技术,涵盖预训练、部署推理、微调、量化优化、Agent/RAG、落地评测及数学基础7大模块,适合零基础学习者和算法工程师。内容包含框架、优化器、注意力机制、分布式训练、私有化部署、微调策略、提示词工程等关键技术,学成后可具备大模型项目能力。教程特别强调RAG、Agent和微调三大企业级核心能力,并指出AI应用开发人才稀缺,相关岗位薪资优势明显。提供完整学习路径和实战案例,帮助学习者抓住AI时代机遇,实现职业跃迁。

2401_84494441的博客 820

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

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

RAG系统优化实战:如何提升知识检索准确率的核心技巧,大模型入门到精通,收藏这篇就足够了!

今天我们探讨一个话题,经典RAG流程在落地过程中有哪些关键问题需要我们考虑。

pythonhy的博客 367

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

AI大模型开发实战:如何构建京东自有RAG知识库系统

RAG(Retrieval-Augmented Generation)意思是“检索增强的生成”。这是一种结合检索(Retrieval)和生成(Generation)的机器学习模型,通常用于自然语言处理任务,如文本生成、问答系统等。在AI大模型开发实战中,搭建自有的RAG知识库对系统具有十分重要意义,可以提升模型的回答准确性、增强领域专业性、提高响应速度、保护数据隐私、实现个性化服务,并持续优化和改进大模型的性能。

m0_70486148的博客 1840

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

医疗大模型微调是什么?医疗大模型微调入门到精通,收藏这一篇就够了!

医疗大模型微调是什么?医疗大模型微调入门到精通,收藏这一篇就够了!

youmaob的博客 1839

【2026最新最全】大模型学习路线规划:零基础入门到精通,非常详细收藏这一篇就够!

2025年大模型学习路线:从零基础到精通的完整规划 基础阶段:掌握数学(线性代数、概率论)、Python编程及深度学习基础(神经网络原理)。 核心技术:重点学习Transformer模型、预训练技术和NLP基础知识(词嵌入、语言模型)。 实战进阶:复现GPT/BERT等经典项目,开发领域应用(如医疗NLP系统),掌握API开发、模型微调及私有化部署技能。 持续提升:关注多模态等前沿技术,参与社区交流,通过创新实践保持竞争力。 行业趋势:2026年AI应用层(如Agent智能体、RAG技术)需求激增,相关岗位

2401_85390073的博客 611

前端接单平台,零基础入门到精通,收藏这篇就够了

之前也写过一期前端程序员兼职接单的方法,但有粉丝私信说文章中前端接单的网站是比较少的,对想要找更多的网站对比下,今天就给大家做一个补充,希望能够帮到有需要的同学哦~程序员客栈,这个平台成立蛮久了,这么多年都一直聚焦于程序员远程工作这一块,经验应该是相当丰富了:在开发前,开发中,开发后对于开发者和需求方都有固定的、稳定的、安全的处理流程,能够最大程度的保证甲乙双方的利益。

Javachichi的博客 2846

《Hello-Agents》完整PDF首发,智能体教程免费下载,大模型入门到精通,收藏这篇就足够了!

开源仅一周,《Hello-agents》从零开始的智能体原理与实践教程 GitHub Star 数量已经突破2.2k,成为智能体学习圈的“顶流教程”!

2301_81888214的博客 1748

Agentic RAG-让 RAG 拥有“智能体”灵魂,大模型入门到精通,收藏这篇就足够了!

你是否遇到过这样的场景:向RAG系统提问,它却只能给出表面答案,完全不会深入思考或多角度分析?

2301_81888214的博客 972

RAG进化论:RAG、Self-RAG、Agentic RAG,到底有啥区别?大模型入门到精通,收藏这篇就足够了!

RAG(检索增强生成)这个词是不是经常刷到?但除了基础的RAG,还有Self-RAG和Agentic RAG,是不是听得有点晕?

2301_81888214的博客 412

AI 提示词优化工具,让AI更好地理解你的 Prompt,大模型入门到精通,收藏这篇就足够了!

AI Prompt 优化工具 是一个在线的 Prompt 优化 (Prompt Refinement / Prompt Engineering) 平台。

2301_81888214的博客 1066

京东面试高频考点:RAG系统设计全流程解析(非常详细),搞懂四个模块调用顺序,收藏这一篇就够了!

上周一个学员面京东就被这个问题拿住了。 面试官开门见山:"假设你现在负责从 0 搭建一个 RAG 问答系统,知识库有 5000 份文档,需要支持多轮对话,你怎么设计?"

weixin_58753619的博客 348

前端项目打包详细,零基础入门到精通,收藏这篇就够了

项目打包命令为:npm run build打包后会文件夹中自动生成一个dist文件这个文件就是最终上传服务器的文件(或者将这个dist给后端)dist中的index打开是本地看不见什么的。如果想查看项目 ----1.在config目录中找到index。jsbuild: {然后打包(但是这个网易云项目没有默认“/”路由所以会跳转失败)注:路由模式 hash模式 带# 可以正常打包上线即可 不会有错误(因为history是完整路由会优先执行服务器路由)

Javachichi的博客 770

成本控制与效果最优:大模型项目的RAG与微调选择指南,大模型入门到精通,收藏这篇就足够了!

今天我们探讨一个话题:在大模型项目落地的过程中,如何判断是选择RAG还是微调。我相信这也是困扰很多朋友的问题。为了深入讨论这个话题,我首先跟大家对比一下RAG和微调的本质区别。

DEVELOPERAA的博客 1512
上一篇: 模型差距缩小,Harness 差距拉大!Coding Agent 工程化落地全攻略(非常硬核),收藏这一篇就够了!
下一篇: RAG已死!karpathy说:LLM Wiki永生
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841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