怎么实时保持模型记忆的更新？
怎么实时保持模型记忆的更新（一） 在构建实时智能体、智能客服、RAG问答系统时：如何让已有模型随着数据变化不断“更新记忆”，而不是总依赖静态的知识。 一句话 语言模型的“记忆”分为静态记忆（训练时参数内化）与动态记忆（运行时知识注入）。实时更新通常通过 外部知识组件 + 缓存机制 + 向量检索/RA
2025-07-15
MaXiaoTiao
最新文章
为什么重排序比粗排效果更好
为什么重排序比粗排效果更好 因为粗排模型只做了粗略的相似度匹配，很多细节和语义关系无法捕捉，而重排序模型可以结合查询和文档内容进行深入理解，所以能更准确判断哪些文档更相关，效果自然更好。 深入解释 一、粗排模型的机制与局限 粗排模型通常用的是： 稀疏向量方法（如 BM25）：匹配关键词出现频次 稠密
2025-07-14
为什么需要重排序
重排序是什么 重排序（Re-ranking）是对初步检索到的文档进行二次排序的关键步骤，目的是提升最相关文档的优先级，从而优化最终生成答案的质量。 为什么需要重排序 在 RAG 中，系统通常会使用： BM25、TF-IDF 等稀疏方法，或 Embedding 相似度（如 DPR、ColBERT）等稠
2025-07-14
稀疏向量 vs 稠密向量：到底有什么区别？
稀疏向量 vs 稠密向量：到底有什么区别？ 我们常听到“稀疏向量”和“稠密向量”这两个词，它们到底差在哪？一句话概括： 稀疏 vs 稠密，说白了就是信息在向量中的分布方式不同。 一、最直观的区别 稀疏向量（Sparse Vector）：大多数维度都是 0，只有少量非零元素。 稠密向量（Dense V
2025-07-02
Text2sql 框架
Text2sql 框架 一个完整的 文本到 SQL（Text-to-SQL）任务框架 应该包括四个关键步骤：预处理、抽取、生成、精炼。 预处理（Preprocessing） 该阶段主要处理与自然语言查询（NLQ）无关但对 SQL 生成至关重要的辅助信息，包括： 数据库模式信息（Schema Info
2025-04-03
Text2Sql相关论文及code
Text2Sql 以下是一些关于Text-to-SQL的相关论文及其代码仓库： OpenSearch-SQL：一个开源的Text-to-SQL框架，提供了将自然语言查询转换为SQL查询的功能。 GitHub链接：OpenSearch-AI/OpenSearch-SQL CHASE-SQL：该框架利用
2025-04-02