1、RAG 里的幻觉怎么解决？RAG 幻觉一般来自三种情况：没有召回到正确证据、召回到了但排序不对、证据足够但模型还是自己补。解决也要对应分层。第一层是提高文档质量和召回质量，比如切片更合理、用混合检索、做 query rewrite、加 metadata 过滤。第二层是重排层，用 rerank 模型让最相关证据排前面。第三层是生成层，要让模型严格基于证据回答，证据不足就拒答，不允许自由扩写。如果从更抽象的角度看，幻觉问题本质上是“系统回答倾向强于证据约束”。所以真正要解决的是：让系统在信息不足时学会克制，而不是为了流畅性硬编一个完整答案。2、LoRA 微调原理LoRA 是 Low-Rank ...

从一个跑到另一个遥远的地方实习一个人挺不容易的住着青旅上班第一天刚过去进行了自我介绍和欢迎然后紧接着就是组装新电脑找到自己的工位把开发工具和开发环境给配了配 阅读了公司的文档了解了公司的系统 但是业务还没有完全了解 总体来说第一天的话还可以 很轻松就是配配环境 阅读阅读文档然后氛围还可以 最主要的是公司下午还给分配了奶茶 真是美滋滋啊 下班之后还有一个惊喜

测开简历求佬拷打该走软测还是测开

上周字节跳动的 DeerFlow v2.0 在 GitHub 热榜霸了一周，49K+ Star，MIT 开源。说白了就是一个 AI Agent 操作系统——你定义多个子智能体，它帮你调度、记忆、安全执行。 今天带大家 从零跑通，不讲原理废话，直接上手。 这个项目能干嘛？ 举个例子：你让 DeerFlow "帮我调研 AI Agent 赛道的融资情况，生成一份报告"，它会：  规划拆解 → 主智能体把任务拆成子任务 研究智能体 → 调用搜索工具收集信息 编码智能体 → 在沙箱里跑数据分析脚本 写作智能体 → 把结果整理成结构化报告 记忆系统 → 下次你再问相关问题，它记得上次...