向日葵错误码49152怎么解决
粉丝337获赞464
相关视频
04:33查看AI文稿AI文稿面试官问你，你们 r a g 召回不准的时候是怎么解决的？你要是回答，那就换个更好的向量模型呗。面试官心里立马就凉了半截。因为召回不准这件事，九成的问题不是向量模型不行，而是你只用了一路解锁。 真实项目里，光靠向量解锁，遇到编号错误码、专有名词这种，他经常给你召回一堆意思相近但根本不对的东西。这道题考的就是你会不会用混合解锁加重排把召回救回来。我是小哲，点赞收藏加关注，我们马上开始！想系统学习 ag 的 开发的同学可以查看橱窗哦！ 先说这题在考什么，他表面问你召回不准怎么办，实际是在考你懂不懂。解锁的两种能力，其实是互补的。 向量解锁，也就是语义解锁，他强在理解意思，你问怎么退款，他能找到跟退货流程相关的段落，哪怕一个字都没重合。 但他有个死穴，碰到那些必须字面精确匹配的东西，比如产品型号、订单号、错误码、法律条款里的专有词，他反而不灵，因为这些 token 很 稀有，语义空间里区分度低，他容易召回一堆行进意进。但其实答非所问的内容，面试官想看的就是你知不知道单路召回的天生短板，以及怎么补。 一句话给你总答案，召回不准的标准解法是混合解锁加重排这套组合拳。混合解锁就是让关键词解锁和向量解锁同时上，一个负责字面精确，一个负责语意理解。把两边的结果融合成一个后选集，先保证该找的都被捞回来。 重排就是在这个后选集上再用一个更精细的模型重新打分排序，把最相关的顶到最前面，保证未给大模型的是真正对的。一个管召回够不够全，一个管排序准不准，这就是现在生产环境里最主流的绞索架构。 先说混合绞索怎么落地，你要跑两路，一路是传统的关键词绞索，业界经典的算法是 b m 二五，它做的就是字面匹配谁的关键词命中的多，命中的稀有，谁排前面，专门解决那些精确匹配的场景。 另一路是向量解锁，否则语义相似，两路各自召回一批。问题来了，这两个分数体系根本不在一个量纲上，你没法直接加权，平均硬加就乱套。 工程上通用的做法是用一种基于排名的融合方法，他不看原始分数，只看每一路里的排名位次，谁在两边都排的靠前，融合后就靠前，这样就绕开了分数不兼容的坑，把两路结果干净的合成一个统一的后选列表。这一步的目标只有一个，提高召回率，宁可先多捞点，也别把正确答案漏在门外。 再说重排这一步，这才是精度提升的关键。前面混合检测，为了不漏，会捞回比较多的后选，比如几十条里面难免混着一些看着相关其实没用的。 这时候上一个重排模型通常是一个交叉编码器，他跟前面的检测不一样，他会把你的问题和每一个后选片段成对的放进模型里，一起做深度比对，给出一个非常精准的相关度分数。他算的慢，但准，所以只用来处理那几十个后选，不用扫全库，重排完只把最靠前的三五条真正喂给大模型。 你可以这么理解，混合解锁是海选，尽量别漏人。重排是精选，把最好的挑出来。业界的共识是，一个 r a g 系统里大部分的精度提升恰恰来自重排这一步，很多人漏掉它，召回质量自然上不去， 那线上还有什么坑？顺带讲两个，第一，别指望向量模型一招通吃，凡是涉及编号、代码、版本号、专有名词的场景，关键词解锁这一路千万不能省，它才是精确匹配的兜底。 第二，重排虽好，但有延迟和成本，所以候选级别给太大，几十条足够给，几百条上去又慢又贵，还不一定更准。第三，这一整套到底有没有效，不能靠感觉得见评估，拿真实问题去测召回命中率，看正确片段有没有被召回，有没有被排到前面，用数据说话，而不是拍脑袋说我们上了重排应该好了。 给你一个面试回答模板。第一句先点元音，召回不准，大多不是向量模型不行，而是单路召回有天生短板，语义检测搞不定精确匹配。第二句给方案我会上混合检测加重排，关键词检测管字面精确，向量检测管语义理解，两路并行。 第三句讲融合，两路分数量纲不同，用基于排名的融合方法合并，先保召回不漏。第四句讲重排，再用交叉编码器把问题和后选成对精算，重新排序，只留最相关的几条位给模型，大部分精度提升就来自这一步。 最后补一句，整套要靠离线评估，看召回命中和排序质量来验证。这么讲下来，面试官就知道你是真搭过绞索练路的。 其实大模型面试最难的不是背概念，而是每一道题你都要知道面试官真正想考什么，应该回答到什么深度，哪些地方会继续追问。 所以我把 agent， r a g m c p do agent 这些高频工程化面试题全部整理成了一套系统课程，不是带你被 prompt， 而是带你建立真正的大模型工程思维。如果你最近准备 ai 岗位面试，或者想转 agent 的 开发，可以去橱窗看看。
161小哲讲大模型
