文章
26
标签
12
分类
15
首页
归档
标签
分类
列表
音乐
电影
链接
关于
Guailper的博客
Docker学习
返回首页
搜索
首页
归档
标签
分类
列表
音乐
电影
链接
关于
Docker学习
发表于
2026-04-15
|
更新于
2026-04-15
文章作者:
Guailper
文章链接:
https://guailper.github.io/2026/04/15/Docker%E5%AD%A6%E4%B9%A0/
版权声明:
本博客所有文章除特别声明外，均采用
CC BY-NC-SA 4.0
许可协议。转载请注明来源
Guailper的博客
！
上一篇
RAG-系统评估
RAG评估构建好一个RAG系统后，应该如何评判这个系统的好坏？如何快速定位问题根源？ 典型失败模式 检索器问题：检索结果与需求不相关（检索了完全不相关的文档或数据）、遗漏关键信息（Top-K没有包揽核心论点）、刻舟求剑（返回了历史过期版本的信息） 生成器问题：忽略正确的检索上下文信息、脱离上下文，产生知识幻觉、答非所问（回答形式或语气不符合要求） 协同问题：检索正确但被LLM歪曲理解、检索到错误信息LLm无法调和 评估维度该架构包含以下三个维度，并在 TruLens 等工具中有深入的应用： （1）上下文相关性 (Context Relevance) 即检索层评估（Retrieval Layer Evaluation），核心指标有召回率、精度、平均倒数排名（MRR）、归一化折损累积增益（NDCG）、Hit Rate@K等，评估重点为检索器能否准确找到相关文档并正确排序。 评估目标： 检索器（Retriever）的性能。 核心问题： 检索到的上下文内容，是否与用户的查询（Query）高度相关？ 重要性： 检索是RAG应用在响应用户查询时的第一步。如果检索回来的上下文充满了噪声或无...
下一篇
RAG-索引构建
向量嵌入基础概念什么是 Embedding向量嵌入（Embedding）是一种将真实世界中复杂、高维的数据对象（如文本、图像、音频、视频等）转换为数学上易于处理的、低维、稠密的连续数值向量的技术。 想象一下，我们将每一个词、每一段话、每一张图片都放在一个巨大的多维空间里，并给它一个独一无二的坐标。这个坐标就是一个向量，它“嵌入”了原始数据的所有关键信息。这个过程，就是 Embedding。 数据对象：任何信息，如文本“你好世界”，或一张猫的图片。 Embedding 模型：一个深度学习模型，负责接收数据对象并进行转换。 输出向量：一个固定长度的一维数组，例如 [0.16, 0.29, -0.88, ...]。这个向量的维度（长度）通常在几百到几千之间。 向量空间的语义表示Embedding 的真正意义在于，它产生的向量不是随机数值的堆砌，而是对数据语义的数学编码。 核心原则：在 Embedding 构建的向量空间中，语义上相似的对象，其对应的向量在空间中的距离会更近；而语义上不相关的对象，它们的向量距离会更远。 关键度量：我们通常使用以下数学方法来衡量向量间的“距离”或“...
Guailper
record personal information of learn and life
文章
26
标签
12
分类
15
Follow Me
公告
This is my Blog
最新文章
智能体通信协议
2026-04-26
FastAPI学习
2026-04-25
RAG-检索优化
2026-04-16
简
搜索
数据加载中
