·tian
Prompt 工程无法突破的数据质量天花板
当底层数据存在噪声、过时或重复问题时，Prompt 工程会触碰到一道硬性天花板。本文将介绍如何诊断数据失效与模型失效，以及哪些手段才能真正改变结果。
insider
ai-engineering
data-quality
rag
+2·tian
上游数据质量是你 AI Agent 的真实瓶颈
生产环境中的大多数 AI Agent 故障并不是模型问题 —— 而是数据问题。本文将介绍如何诊断并修复那些即使进行再多提示词工程（Prompt Engineering）也无法解决的上游数据质量问题。
ai-agents
data-quality
llm
rag
+1·tian
LLM系统中的数据质量税：劣质输入为何带来截然不同的代价
传统机器学习在噪声数据上会优雅地退化。LLM则会自信地幻觉，污染向量库，并以看似权威的方式向下游传播错误。本文介绍如何度量和缓解数据质量税。
insider
llm
data-quality
rag
+2·tian
评估基准真相中的标注者偏差：当你的标签系统性地将你引向歧途
探讨标注者的选择、人口统计学特征以及系统性错误模式是如何在训练开始前就破坏你的评估基准真相的，并介绍捕获这些问题的审计方法论。
insider
evaluation
data-quality
machine-learning
+1·tian
LLM作为标注器的质量控制：当标注者与学生共享训练数据
用LLM为另一个LLM的微调标注数据看似高效——直到两个模型都吸收了同样的互联网文本。本文阐述共享预训练如何造成系统性标注失效，以及真正有效的检测与缓解策略。
llm
fine-tuning
data-quality
annotation
+1·tian
为 Agentic 写入路径构建数据质量门禁：输入是垃圾，输出是不可逆的操作
拥有写入权限工具的 Agent 会将上游的数据质量问题直接转化为现实世界的副作用。本文将介绍防止此类问题的验证架构。
insider
ai-engineering
agents
reliability
+1·tian
标注流水线是生产级基础设施
为评估和微调运行人工标注是一个软件工程问题，但大多数团队却在用电子表格管理它。本文将探讨生产级标注基础设施的真实面貌，以及为什么标注者间一致性（IAA）是规范健康度的信号，而非人手多少的问题。
insider
annotation
mlops
data-quality
+1·tian
过时检索：你的 RAG 管道正在隐藏的数据质量问题
当 RAG 管道的检索语料库发生漂移时，系统会无声地失败——过时的事实、已删除的文档和陈旧的 Embedding 能通过所有忠实度指标。本文介绍如何检测这类问题、传播删除操作，并从一开始就将新鲜度内置到管道中。
rag
retrieval
data-quality
production
+1显示第 13–20 篇，共 20 篇
上一页2 / 2