Canada Dataset

代表“知识共享智能体”是数十个能够处理用户查询的智能体之一 大家可能已经注意到我们的流程遵循了检索增强生成（这是生成式系统中常见的设计模式。构建这个流程比我们预期的要容易得多。
在短短几天内
我们就搭建好了基本框架并使其运行起来： 路 ：判断问题是否在处理范围内是的话将其转发给哪个智能体。

智能体的例子包括：岗位评估、理解公司、帖子要点提取等各种智能体。 检 比利时电话号码数据 这是一个逐步确定详细信息的步骤（召回率导向的步骤智能体决定调用哪些服务以及如何调用（ 等。 生成 ：这是一个精准度导向的步骤它筛 选检索到的各种数据过滤它并产生最终响应内容。

鉴于“路由”和“检索”的分类性质微调它们相对顺畅：我们构建了开发测试集并使用提示词工程和内部模型进行优化。然而“生成”则是一个完全不同的故事。
它遵循法则；很快可以达到%的准确度但剩下的%却耗费了我们大部分人的所有工作时间。

当你的产品期望%以上的答案都非常出色时即使使用最先进的模型每一个%的进步也仍然需要大量的工作和创造力。 对我们而言好使的招数是： 固定的步流程 用小模型干路由检索用大模型干生成 基于内存数据库的 直接将响应示例注入到我们的提示词中（穷人版微调。

（注：是个技术名词感兴趣的自己再查吧。 在路由和检索过程中针对每个步骤做特定评估 . 开发速度 我们希望多个团队并行快速推进因此决定将任务拆分为由不同人员开发的独立智能体（即智能体：岗位评估、理解公司、帖子要点提取等智能体分别由不同团队负责。