Clarity

/

RAG（Retrieval-Augmented Generation）本质上是：“让大模型先查资料，再回答问题。

2025-10-12 2182 字约 7 分钟 14 访问量

RAG

RAG（Retrieval-Augmented Generation）本质上是：“让大模型先查资料，再回答问题。

2025-10-12

/

PDF 处理能力的目标是让用户可以直接上传 PDF 文件，并把其中可提取的文本转成 RAG 可处理的知识内容。

2025-10-12 1128 字约 3 分钟 14 访问量

PDF 处理流程说明

PDF 处理能力的目标是让用户可以直接上传 PDF 文件，并把其中可提取的文本转成 RAG 可处理的知识内容。

2025-10-12

/

Retrieval 召回（这里选用国内主流五大向量化模型）：

2025-10-12 1659 字约 5 分钟 17 访问量

AGI项目的真实RAG评测

Retrieval 召回（这里选用国内主流五大向量化模型）：

为什么项目用的rag是向量检索➕bm25+知识图谱，但是测评里却只测了向量和bm25和这两者混合？

2025-10-11

/

回答：知识图谱是后续加的，rag测评基本测的话也就是两种，一种是chunk的切分策略，一种是向量化模型的选择。

为什么项目用的rag是向量检索➕bm25+知识图谱，但是测评里却只测了向量和bm25和这两者混合？

2025-10-11 412 字约 1 分钟 18 访问量

回答：知识图谱是后续加的，rag测评基本测的话也就是两种，一种是chunk的切分策略，一种是向量化模型的选择。

2025-10-11

/

该文档未返回正文内容。

2025-10-11 31 字约 6 秒 14 访问量

该文档未返回正文内容。

2025-10-11

/

这份材料用于把真实做过的工作讲清楚。重点不是背指标，而是说明为什么做、怎么验证、发现了什么问题，以及下一步如何让它成为可靠的产品能力。

2025-10-11 1650 字约 5 分钟 14 访问量

双模型意图路由：面试表达手册

这份材料用于把真实做过的工作讲清楚。重点不是背指标，而是说明为什么做、怎么验证、发现了什么问题，以及下一步如何让它成为可靠的产品能力。

双模型意图识别真实训练记录（2026-07-22）

2025-10-10

/

本文记录 ScholarAgent 意图识别模块的一次真实训练与评测。实验同时训练了 CPU 友好的 BGE/BERT 分类器和 GPU 上的 Qwen3-0.6B LoRA 路由器。

双模型意图识别真实训练记录（2026-07-22）

2025-10-10 1446 字约 4 分钟 13 访问量

本文记录 ScholarAgent 意图识别模块的一次真实训练与评测。实验同时训练了 CPU 友好的 BGE/BERT 分类器和 GPU 上的 Qwen3-0.6B LoRA 路由器。

Cover Image of 双模型意图识别真实训练记录（2026-07-22）

Qwen3-0.6B模型结构与 LoRA微调原理

2025-10-10

/

本文解释 ScholarAgent 的 GPU 意图方案如何使用 Qwen/Qwen3-0.6B 生成结构化 IntentContext，以及 Decoder-only、因果注意力、GQA、RoPE、RMSNorm、SwiGLU 和 LoR

2025-10-10 2657 字约 8 分钟 15 访问量

Qwen3-0.6B模型结构与 LoRA微调原理

本文解释 ScholarAgent 的 GPU 意图方案如何使用 Qwen/Qwen3-0.6B 生成结构化 IntentContext，以及 Decoder-only、因果注意力、GQA、RoPE、RMSNorm、SwiGLU 和 LoR

2025-10-10

/

本文解释 ScholarAgent 的 CPU 意图分类方案为什么采用 BERT 类编码器、模型内部如何处理一句话，以及微调时究竟更新了什么。

2025-10-10 2038 字约 6 分钟 17 访问量

BERT结构与原理

本文解释 ScholarAgent 的 CPU 意图分类方案为什么采用 BERT 类编码器、模型内部如何处理一句话，以及微调时究竟更新了什么。