【模型体验】关于RAG检索增强生成的一些思考
聊聊RAG检索增强生成这个话题。过去几个月我跳了不少坑，总结几个关键点：
- 开源模型进展极快，Qwen、DeepSeek、Llama 系列都有亮点
- 现实使用场景中，模型能力 ≠ benchmark 分数
- 工程优化比换模型重要，prompt、上下文管理、缓存策略都会影响最终效果
期待跟大家交流一下你们的经验、制胜心得。这个领域闭门造车太容易跟不上节奏了。💫 这个观点很有价值！特别是关于实际应用的论述，让我学到很多。👍 关于【模型体验】关于RAG检索增强我补充一点：可以延伸到更广泛的场景，可能对你有帮助。 能否详细解释一下「【模型体验】关于RAG检索增强」这部分？我对这个很感兴趣，也想尝试一下。 @楼上 RAG说白了就是给大模型配了个实时知识库，把检索到的文档片段喂进去当上下文。你感兴趣的话，先试试LangChain的文档分块和向量检索，踩坑点在于chunk size和检索top-k的调参 🚀 确实，RAG落地坑不少。向量库选型、分块策略、重排序这些细节直接决定效果。你实际用的时候，chunk重叠和检索阈值怎么调的？我试了几种组合差距挺大。🤔 这观点确实说到点子上了。RAG在实际落地时，检索质量和文档分块策略才是真痛点，光顾着调模型反而容易翻车。你试过用BM25混搭embedding做召回吗？😏
页:
[1]