2021-05-27 每日一题(判定是否互为字符重排)

RAG中ANN检索与重排序协同优化实战 向量检索是现代RAG系统的核心环节,其本质是在高维空间中实现近似最近邻搜索(ANN),依赖HNSW等图索引结构平衡速度与精度;而重排序(reranking)通过交叉编码器建模查询与文档的细粒度语义匹配,弥补ANN单向距离计算的语义盲区。该技术组合显著提升电商、客服等场景下千万级知识库的召回准确率与响应实时性,广泛应用于商品搜索、智能问答与个性化推荐。本文基于真实高并发生产环境,详解FAISS+HNSW与轻量cross-encoder协同落地的关键参数、避坑要点与性能调优方法。 阅读详情

上期

链接

2021-05-26 每日一题 (替换空格)

自己答案

创建StringBuffer对象,循环遍历s字符串,字符为空格的StringBuffer添加%20,否则追加原字符串中的字符

class Solution {
    public String replaceSpace(String s) {
        StringBuffer sb = new StringBuffer();
        for (int i = 0; i<s.length();i++){
            if(s.charAt(i) != ' ') {
                sb.append(s.charAt(i));
            }else {
                sb.append("%20");
            }
        }
        return sb.toString();
    }
}

答案

  • 字符数组
    由于每次替换从 1 个字符变成 3 个字符,使用字符数组可方便地进行替换。建立字符数组地长度为 s 的长度的 3 倍,这样可保证字符数组可以容纳所有替换后的字符。
  1. 获得 s 的长度 length
  2. 创建字符数组 array,其长度为 length * 3
  3. 初始化 size 为 0,size 表示替换后的字符串的长度
  4. 从左到右遍历字符串 s
    4.1 获得 s 的当前字符 c
    4.2 如果字符 c 是空格,则令 array[size] = ‘%’,array[size + 1] = ‘2’,array[size + 2] = ‘0’,并将 size 的值加 3
    4.3 如果字符 c 不是空格,则令 array[size] = c,并将 size 的值加 1
  5. 遍历结束之后,size 的值等于替换后的字符串的长度,从 array 的前 size 个字符创建新字符串,并返回新字符串
class Solution {
    public String replaceSpace(String s) {
        int length = s.length();
        char[] array = new char[length * 3];
        int size = 0;
        for (int i = 0; i < length; i++) {
            char c = s.charAt(i);
            if (c == ' ') {
                array[size++] = '%';
                array[size++] = '2';
                array[size++] = '0';
            } else {
                array[size++] = c;
            }
        }
        String newStr = new String(array, 0, size);
        return newStr;
    }
}

其他答案

直接使用String的replace方法!

class Solution {
    public String replaceSpace(String s) {
        return s.replace(" ","%20");
    }
}

本期

问题

给定两个字符串 s1 和 s2,请编写一个程序,确定其中一个字符串的字符重新排列后,能否变成另一个字符串。

示例

示例1

输入: s1 = "abc", s2 = "bca"
输出: true 

示例2

输入: s1 = "abc", s2 = "bad"
输出: false

限制

0 <= len(s1) <= 100
0 <= len(s2) <= 100

回答

2021-05-28 每日一题()

RAG实战指南:从检索增强原理到企业级落地细节 RAG(检索增强生成)是一种将外部知识动态注入大语言模型的推理增强技术,其核心在于解耦‘知识检索’与‘内容生成’,通过向量检索、重排序和可控生成三阶段协同,显著缓解大模型幻觉、提升事实准确性。相比微调,RAG具备知识更新快、成本低、可审计等工程优势,广泛应用于智能客服、法律合规、医疗问答等需强依据支撑的场景。本文聚焦RAG落地中最关键的四大环节——语义切块、中文Embedding选型、混合检索策略与Prompt强约束设计,结合bge系列模型、Qdrant向量库及LlamaIndex工程实践,系统揭示影响RA 阅读详情

相关推荐

RAG精准检索实战:如何在海量文档中定位关键事实单元

RAG(检索增强生成)的核心挑战并非模型能力不足,而是信息检索与证据提取的工程精度问题。其本质是将非结构化文本转化为可验证、可定位、可追溯的事实单元——即‘有效证据单元’。这涉及向量检索的语义模糊性矫正、分块策略的语言学合理性、重排序阶段的跨文本实体对齐,以及生成环节的证据追踪式提示控制。尤其在金融、法律、医疗等强事实依赖场景中,数值、条款编号、禁忌症等刚性信息必须实现毫秒级定位与零幻觉输出。本文聚焦RAG pipeline中‘检索-分块-重排-生成’四阶协同优化,提供语义连贯分块、双通道重排序、混合检索硬

ajwqb06628的专栏 523

2021-05-26 每日一题 (替换空格)

这里写目录标题上期链接自己官方其他答案本期问题示例限制回答 上期 链接 自己 官方 其他答案 本期 问题 示例 限制 回答

i_mycode的博客 144

向量搜索实战:RAG系统中决定答案质量的底层引擎

向量搜索是现代检索增强生成(RAG)系统的核心基础设施,它将文本、图像等非结构化数据映射为高维语义向量,通过近似最近邻(ANN)算法实现语义级匹配。其原理依赖嵌入模型的表征能力、索引结构的效率权衡(如FAISS IVF-PQ)、相似度度量的鲁棒性(余弦/内积/归一化点积),以及重排序与混合检索的精度提升机制。技术价值在于突破关键词匹配局限,支撑医疗、法律、政务等专业领域精准知识召回;典型应用场景包括智能客服知识库、政策问答助手、企业内部文档检索等。本文聚焦工业级向量搜索系统的四层架构设计与12个落地细节,覆

CURSED! 442

2021-05-28 每日一题(斐波那契数列)

目录上期链接自己答案官方答案其他答案本期问题示例限制回答 上期 链接 自己答案 官方答案 其他答案 本期 问题 示例 限制 回答

i_mycode的博客 402

RAG系统AI漂移的三大根源与工程化防控体系

RAG(检索增强生成)并非天然抗漂移,其稳定性依赖内容、模型与算法三层协同。AI漂移本质是知识源更新滞后、大语言模型底层表征变化、以及分块/检索/重排等算法参数微调引发的连锁失准。它不触发传统错误码,却导致答案静默失真——如参数错报、时效混淆、格式崩坏。技术价值在于将‘不可见的体验退化’转化为可观测、可归因、可灰度验证的工程问题。典型应用场景覆盖金融合规问答、医疗知识服务、SaaS客户支持等强准确率要求领域。本文聚焦RAG漂移的系统性成因与生产级防御实践,涵盖内容治理流水线、LLM版本军事化管控、算法可观测

weixin_34130389的博客 367

保姆级教程:用Java和HslCommunication库搞定三菱PLC数据读写(附完整代码)

本文提供了一份详细的Java与三菱PLC通信教程,通过HslCommunication库实现高效数据读写。内容涵盖环境配置、通信模式选择、数据类型操作、异常处理及性能优化,并附有完整代码示例,帮助开发者快速掌握工业自动化中的PLC数据交互技术。

weixin_28731223的博客 228

2022年5月每日一题

这里写目录标题5月1日:1305. 两棵二叉搜索树中的所有元素 5月1日:1305. 两棵二叉搜索树中的所有元素 题目链接 先遍历,后排序 s Solution { public: vector<int> res; void dfs(TreeNode* root) { if (root == nullptr) return; dfs(root->left); res.push_back(root->val);

lumoumou`s blogs 1412

用Multisim和74HC系列芯片,手把手教你搭建一个能“算数”的简易CPU模型

本文详细介绍了如何使用Multisim仿真软件和74HC系列芯片搭建一个简易CPU模型,重点解析了74HC194寄存器和74HC283加法器的核心功能与连接方法。通过分步图解和实战调试,帮助读者理解CPU工作原理,掌握数字电路设计的基本技能,适合计算机组成原理初学者和电子爱好者实践学习。

weixin_26843605的博客 141

【笔试】算法题目+数据结构 总结【每日更新..】

算法大汇总 -- ROOT根目录

7zwang的博客 622

CrossOver实战:在Mac上流畅运行《梦幻西游》端游与搬砖指南

在跨平台应用开发与系统兼容性领域,如何让为特定操作系统设计的软件在其他平台上运行,是一个经典的技术挑战。其核心原理在于通过兼容层或转译技术,将程序的系统调用和图形接口指令实时转换为目标系统能理解的格式。这项技术的价值在于极大地扩展了硬件设备的软件生态,让用户无需依赖虚拟机或双系统即可无缝使用关键应用。在游戏、专业工具等场景中,这能显著提升工作效率和用户体验。本文以经典端游《梦幻西游》为例,详细解析如何在搭载Apple Silicon或Intel芯片的Mac上,借助CrossOver这一成熟的兼容层方案,构建

weixin_30129025的博客 580

操作系統恐龍書第十版課後答案CH10

課後

apple_72111807的博客 4047

生产级RAG检索架构:混合搜索与业务规则驱动的精准召回

RAG(检索增强生成)的核心瓶颈往往不在大模型,而在检索层——传统向量搜索难以应对时效性、权限控制、结构化语义和查询意图漂移等真实业务挑战。Advanced Retrieval Techniques 本质是融合稀疏检索(BM25)、稠密检索(微调向量)、元数据路由与重排序的分层架构,其技术价值在于将模糊的‘相似匹配’转化为确定性的‘业务应召’。典型应用场景包括金融合规问答、医疗文档权限检索、制造业SOP精准定位等Production RAG Systems落地场景。本文聚焦可工程化部署的混合检索设计、参数调

weixin_33811539的博客 486

混合动作空间在强化学习中的创新应用:PDQN与MPDQN算法解析

本文深入解析了强化学习中处理混合动作空间的PDQN与MPDQN算法。针对既有离散选择又有连续调节的复杂决策场景,PDQN通过参数化深度Q网络,巧妙结合DQN与DDPG进行交替优化;MPDQN则进一步改进,为每个离散动作提供专属参数评估以减少干扰。文章通过游戏、自动驾驶等实例阐述了其应用价值与面临的挑战。

efc123456的博客 866

RAG实战指南:千万级文档毫秒检索与精准生成

检索增强生成(RAG)是一种将外部知识动态注入大语言模型的工程范式,其核心在于解耦‘检索-重排序-生成’三阶段,以突破模型静态知识边界。相比微调,RAG更擅长处理实时、结构化及多模态知识源,具备低延迟、易维护、强溯源等技术优势。在金融、医疗、制造等高合规场景中,RAG通过混合检索(BM25+向量)、领域自适应嵌入、语义切片与结构化提示词,显著抑制幻觉、提升答案准确率与可解释性。本文聚焦真实生产环境下的性能瓶颈与排障逻辑,涵盖向量数据库选型、重排序策略、7B模型提效实践及自动化评估体系,为构建可靠企业级问答系

weixin_30954265的博客 413

ANSYS Workbench实战:用网格自适应搞定超弹性橡胶大变形仿真(附避坑命令流)

本文深入探讨了ANSYS Workbench中超弹性橡胶大变形仿真的网格自适应技术,重点解析了混合U-P单元的应用、非线性自适应网格的实战技巧及材料模型选择的注意事项。通过具体案例和命令流示例,帮助工程师有效解决橡胶仿真中的收敛问题和网格畸变挑战,提升仿真精度和效率。

weixin_42666036的博客 304

光学系统仿真软件:OSLO_(13).衍射光学元件设计v1

目标函数是设计DOE的关键步骤之一。目标函数可以是一个具体的光强分布,也可以是一个特定的波前形状。在仿真软件中,目标函数通常用数学表达式或数据文件来定义。假设我们需要设计一个二元相位掩模,使其在特定位置生成三个焦点。我们可以定义一个目标函数来描述这三个焦点的光强分布。# 定义目标函数"""定义一个多焦点目标函数:param x: 横坐标:param y: 纵坐标:param z1: 第一个焦点的深度:param z2: 第二个焦点的深度:param z3: 第三个焦点的深度。

kkchenjj的博客 1004

LLM工程落地防坑指南:从能力错配到生产就绪的实战地图

大语言模型(LLM)工程化不是简单套用RAG、微调或Agent,而是围绕业务目标构建可衡量、可运维、可降级的系统能力。本文聚焦LLM落地中高频出现的‘能力错配’与‘状态残留’问题,解析如何通过能力-约束矩阵进行技术选型,用轻量重排序(re-ranker)提升RAG准确率,以及设计状态防火墙解决Agent跨请求污染。内容覆盖模型性价比评估、输入守门员机制、每请求成本监控等真实生产标尺,为从Demo走向高可用API提供可复用的决策框架与代码级实践。

weixin_30414305的博客 369

在windows中安装并启动ActiveMQ5.16.2

打开ActiveMQ官网 下载ActiveMQ 点击apache-activemq-5.16.2-bin.zip进行下载 下载发后解压到c盘根目录下 在powershell中输入 ./activemq start启动 ActiveMQ服务 htpp://127.0.0.1:8161访问ActiveMQ控制台 ...

935

力扣刷题精选

Hello World 梦开始的地方~

VaccyZhu的博客 1289

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

RAG应用设计实战:从检索失效到生产落地的工程化方法论

RAG(检索增强生成)是一种将外部知识库与大语言模型动态结合的基础性AI架构,其核心原理在于通过向量检索定位相关文档片段,并将其作为上下文引导LLM生成精准回答。技术价值不仅体现在提升事实准确性、缓解幻觉,更在于构建可审计、可追溯、可运维的企业级知识服务基础设施。典型应用场景覆盖金融合规问答、政务智能客服、制造业维修支持等强业务约束领域。实践中,效果瓶颈往往不在模型本身,而源于PDF解析失真、chunking策略不当、query理解偏差及向量数据库‘记错账’等工程细节。本文聚焦RAG在真实业务环境中的落地挑

weixin_30599769的博客 467

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!

LeetCode 算法分类列表

💡 LeetCode 高频面试题分类列表,总共24类,312道题目!

Eliaukoyx 1247

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

生产级RAG系统落地实战:延迟优化、数据漂移与向量检索稳定性

RAG(检索增强生成)作为当前企业知识应用的核心架构,其本质是将传统信息检索与大语言模型能力深度耦合的技术范式。其核心原理在于通过向量检索实现语义匹配,再经重排序与LLM编排生成精准响应。技术价值不仅体现在问答准确率提升,更在于支撑金融合规、医疗知识库等高可靠性场景的可审计、可降级、可监控服务交付。典型应用场景涵盖多源异构文档实时检索、多租户隔离问答、低延迟工业手册查询等。本文聚焦RAG系统从教程原型迈向生产环境的关键跃迁,深入剖析向量检索稳定性、延迟优化瓶颈及数据漂移应对机制,直击embedding成本失

xSTARx 336

LeetCode 高频题目分类列表

Leetcode 力扣高频题目分类列表

feiyan的博客 1106

LeetCode刷题笔记

方便于记忆,力扣的笔记。

q952194436的博客 1325

打破向量检索依赖:构建高鲁棒性分层RAG架构

向量检索是当前RAG系统的核心组件,但其本质受限于语义近似、结构化逻辑缺失和数据时效滞后三大瓶颈,导致线上服务稳定性差、结果不可解释、故障恢复能力弱。本文聚焦信息检索的基础原理,剖析向量空间建模与真实业务查询意图(如精确匹配、数值比较、布尔约束、权限校验)之间的根本矛盾,强调单一模态检索无法承载生产级知识服务的技术现实。在此基础上,提出以能力正交、动态融合、失败降级为特征的分层检索架构(HRA),整合关键词匹配、结构化查询、元数据过滤与向量语义检索,实现多策略协同与可验证结果输出。该方案已在金融、制造、法律

weixin_30732487的博客 411

RAG工程实战:从PDF解析到混合检索的生产级落地

RAG(检索增强生成)是一种将外部知识库与大语言模型协同工作的关键技术,其核心原理在于通过检索模块获取相关上下文,再经生成模块输出精准、可溯源的答案。技术价值体现在突破大模型幻觉、保障答案合规性与业务可解释性,广泛应用于法律咨询、政务问答、医疗文档解读等高可靠性场景。本文聚焦真实业务中RAG落地的关键瓶颈——PDF语义结构丢失、固定长度分块导致的语义断裂、纯向量检索在专业文本上的偏差,系统阐述基于pymupdf的字符级结构重建、四级语义分块策略、BM25与向量混合检索等工程实践,特别强化了合同类、政策类文档

xSTARx 580
上一篇: 2021-05-26 每日一题 (替换空格)
下一篇: 2021-05-28 每日一题(斐波那契数列)
@nanami
博客等级 码龄9年 4247粉丝 53原创
评论 1
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

打赏作者

@nanami

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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