随笔分类 - 大模型开发
摘要：目录1. 为什么 Agent 内部还需要区分旅程？2. Agent 内部基于微观旅程的逻辑分层（实战设计）阶段 A：初入评估期（信息获取阶段）阶段 B：深入评估期（对比与匹配阶段）阶段 C：评估期尾声（顾虑与临门一脚阶段）3. 工程上如何实现这种内部逻辑切换？总结 绝对需要！这是一个非常高阶且切中要
阅读全文
摘要：目录一、 对当前 Agent 划分的改进建议1. 探索/推荐 Agent（负责“从 0 到 1”的广度搜索）2. 导购/对比 Agent（负责“从 1 到 1”的深度钻研）二、 用户旅程如何与多 Agent 架构结合？1. 定义用户旅程的四个核心阶段2. 改造“协调者 Agent (Coordina
阅读全文
摘要：目录第一步：为每个特征准备独立的 Embedding 矩阵第二步：User 塔的前向传播（把特征变成向量）第三步：计算损失（Loss）—— 训练的指挥棒第四步：反向传播，更新 Embedding（核心！）总结与工程经验建议矩阵的维度如何确定1. 核心原则：杀鸡不用牛刀（防止过拟合与浪费）2. 工业界
阅读全文
摘要：目录问题 1：静态特征走普通的 Embedding，用的什么 Embedding 模型？问题 2：最终拿到 256 维 User Vector，去 Milvus 去召回吗？1. 离线/近线准备（Item 塔的工作）2. 在线实时召回（User 塔与 Milvus 的配合）💡 面试加分项（展现高级开
阅读全文
摘要：目录1. 经典基线：DSSM (Deep Structured Semantic Model)2. 引入实时序列：YouTube DNN (召回版) / SASRec3. 解决“既要又要”：多兴趣召回模型 (MIND / ComiRec)4. 引入图网络：GraphSage / PinSage工业界
阅读全文
摘要：目录设计思路V1.0 时代：你的抽象（基于规则和配置表）V2.0 时代：AI高级开发的抽象（基于模型与算法）1. 输入层（Input）：特征工程的实时化2. 大脑层（Processing）：从“查表”变成“模型打分”3. 输出层（Output）：AI Agent 动态生成总结特征向量设计 和召回一、
阅读全文
摘要：目录深度学习的主要应用方向1️⃣ 计算机视觉（Computer Vision, CV）2️⃣ 语音处理（Speech AI）3️⃣ 多模态（Multimodal）4️⃣ 推荐系统5️⃣ 强化学习（RL）6️⃣ 科学与工业领域核心认知（重要） 是的，而且不止视觉处理。 你要区分清楚两个维度： 深度学习
阅读全文
摘要：目录先拆解这个岗位的核心要求，帮你看清「门槛在哪、你的优势在哪、补什么就行」关键结论：这个岗位的「门槛」是AI技术+短剧行业认知，而非「创作能力」，对你是低适配成本快速适配的3个核心动作（1-2周就能落地，能直接写进简历/面试展示）1. 选准多模态工具，深耕「技术落地」而非创作（不用全学，精2个就够
阅读全文
摘要：目录一、总体原则（先说清楚，避免踩雷）二、实验分层设计（这是关键）1️⃣ 实验单元2️⃣ 只做「单变量 + 小范围」实验❌ 不要这样✅ 正确方式（推荐顺序）三、具体 A/B 方案设计（可直接用）阶段 1：T_MIN 主锚点阈值实验实验桶设计核心假设阶段 2：K_MAX 语义发散实验阶段 3：T_MU
阅读全文
摘要：目录一、结论先行（非常重要）但它出现的原因，不是为了提升“整体准确率”，而是为了兜住 向量检索天然不擅长的那一类 query。二、你当前方案的能力边界这个架构非常合理，但它天然有 4 个盲区。三、向量检索的 4 类“硬伤场景”1️⃣ 精确词 / 结构化信息查询（ES 擅长）2️⃣ 否定 / 对比 /
阅读全文
摘要：目录一、先给你一个总判断（非常重要）二、持续提升准确度的 5 条“硬机制”1️⃣ 用「路由原因」反推哪里不准（最关键）你应该长期看什么？2️⃣ 只用 LLM 失败样本，反向喂给 MiniLM（闭环）闭环流程（强烈推荐）一、整体思路二、数据集结构（最标准的格式）1️⃣ 基本样式（JSON / CSV
阅读全文
摘要：目录一、Milvus 支持的 ANN 算法概览二、算法特点对比（工业级参考）三、选型参考四、Milvus ANN 使用流程简述五、总结一句话 明白，你想深入 Milvus 的ANN（Approximate Nearest Neighbor）算法实现细节。下面我帮你梳理得工业级完整、直接可落地理解：
阅读全文
摘要：目录 【结论】 高性能，语义不太复杂的场景 -选择MiniLM 6L/12L. 12L是12层的意思 中等性能，中等意义复杂度选择 - Sentence-BERT 语义很复杂：Qwen-embedding-large 或者 ext-embedding-3-large（效果更好，但是更贵） 向量化算法
阅读全文
摘要：目录一、补全后的完整伪代码（可直接工程化）二、这套规则“在系统里到底干了什么？”整体一句话决策流程图（文字版）每一步解决的“真实问题”三、关键变量定义 & 推荐取值（你可以直接写进配置）1️⃣ TOP_K2️⃣ T_MULTI（是否参与）3️⃣ T_MIN（是否可信）4️⃣ K_MAX（语义是否发散
阅读全文
摘要：目录1️⃣ 场景差异：去重 vs 意图缓存2️⃣ 为什么意图分类要求更高相似度3️⃣ 总结 你提到的这个差异非常典型，也是很多做 RAG + 意图分类缓存的人容易困惑的地方：为什么文档去重 / 聚类用 0.85~0.9 就够了，但意图分类缓存却要求 0.95~0.98？我们可以从本质原因来分析： 1
阅读全文
摘要：目录刚上线成熟业务增强方案 - 小模型改成 -- 2个小模型投票2个小模型投票 “‘通用大模型做冷启动’意思是：当新业务、长尾场景或数据缺乏时，我们用大模型对这些新 query 或文档进行自动标签或实体抽取，再经人工复核生成训练集，微调小模型上线。这样可以在最短时间内让小模型覆盖新业务，实现系统快速
阅读全文
摘要：目录什么是语义漂移一、场景概览二、原始情况（语义清晰）用户问题：知识库文档：Embedding 空间三、知识库扩展后（语义漂移开始）新增文档：发生的变化检索结果LLM 回答效果四、为什么叫“语义漂移”五、如何面试描述一、MiniLM 在标签化中的作用二、为什么不能完全替代人工或规则1. 语义模糊 /
阅读全文
摘要：目录识别具体方案一、总体设计原则（工程版）1️⃣ 不要“LLM 全吃”也不要“规则全吃”二、Intent：复杂 → LLM，简单 → 规则兜底Intent 的特点推荐方案具体落地三、Phase：规则优先，LLM 兜底（非常重要）Phase 的特点推荐方案（强烈）示例四、Objection：高价值、高
阅读全文
摘要：目录一句话结论（先给你定性）一、先把概念彻底拆清楚（避免混）二、Action 到底是什么？（这是关键）Action = 系统需要立即执行的操作类型三、Action 识别，用规则还是模型？——分层设计第一层：规则（Rule Engine）——必须要有典型规则 Action第二层：小模型分类（MiniL
阅读全文
摘要：目录一句话确认（可以当最终结论）一张心智模型（非常重要）三、为什么一定要这么设计（工程原因）1️⃣ 防止“SKU 反向主导话术”2️⃣ 模板数量被牢牢限制住3️⃣ 便于调销售“力度”四、那 SKU 标签到底干什么？（非常明确）SKU 标签示例（仍然是事实）五、一个完整最小例子（你现在这套的“黄金路径
阅读全文
浙公网安备 33010602011771号