随笔分类 - 大模型开发
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
摘要：目录Case 1：纯咨询 → 顺带销售（低干扰）对话触发结构映射系统行为示例响应逻辑Case 2：对比 + 犹豫 → 促成倾向对话触发结构映射系统行为示例响应逻辑Case 3：购买意图出现 → 推动成交对话触发结构映射系统行为示例响应逻辑Case 4：售后问题 → 保留复购机会对话触发结构映射系统行
阅读全文
摘要：目录Case 1：纯咨询 → 顺带销售（低干扰）对话触发结构映射系统行为示例响应逻辑一、设计思路二、把你的话拆成“真实运行链路”Step 1：输入Step 2：标签准备（不是实时生成）用户侧（极简）SKU 侧（离线配置）Step 3：标签匹配（规则，不是 LLM）Step 4：选择插槽（受控枚举）S
阅读全文
摘要：目录简单用户旅程设计（智能客服 + 销售能力）设计说明Agent架构设计智能客服 Agent 清单（新命名版）✅ 定位总结Objection阶段槽位选择和填充1️⃣ Objection 类型 → 模板映射2️⃣ Agent 流程3️⃣ 额外优化模版例子其他阶段的槽位模版映射1️⃣ Awareness
阅读全文
摘要：目录一、先给结论（你可以直接用）二、推荐 GPU 分层（按“生产可控性”排序）🥇 第一推荐：L40S（最适合你这个业务）为什么 L40S 是“智能销售系统”的甜点位🥈 第二推荐：A100 40GB（成熟但性价比下降）🥉 预算方案：RTX 4090（能跑，但要有心理预期）什么时候可以选 4090
阅读全文
摘要：目录一、先给结论：.cursorrules 应该“怎么来”二、.cursorrules 的定位（决定写法）三、生成 .cursorrules 的标准流程（推荐）Step 1：先明确 5 个必答问题Step 2：按“模块化规则块”组织（非常重要）Step 3：使用「命令式 + 否定式」❌ 不推荐（解释
阅读全文
摘要：目录主要的数据结构意图识别用户旅程phase说明一个售后案例贯穿intent和 phase等。Agent业务ActionFactAction实现 主要的数据结构 Intent 关注“用户心理/认知状态” Phase 关注“系统对话业务阶段” Flow 关注“具体业务流程步骤” User Journe
阅读全文
浙公网安备 33010602011771号