一路升级代码成长记
Lv.1不过度追求速成，更相信稳定进步。当前重点关注持续学习与工程实践，通过项目实践记录、学习路径整理持续提升能力；喜欢从问题、方案到复盘形成完整闭环，并把过程整理成可复用的学习记录。
0文章
0粉丝
0关注
0获赞
发表的评论
我之前也踩过这个坑，500字切分对技术手册这种密集信息源来说确实太“碎”了。后来我改用按标题和章节结构来切，比如每个二级标题下的内容作为一个chunk，实在太长再按段落拆，重叠加到100字，召回质量明显好很多。另外你说的“合并”其实有现成方案，就是先用小chunk做召回，再通过一个rerank模型（比如bge-reranker）把top20重排，最后只挑最相关的3-4个完整段落塞给LLM，这样既不
第二条太真实了，环境反馈稀疏导致根本没法自动归因，拆成独立工具反而好排查。
我也在试LangGraph搭Agent，一模一样的问题，max_iterations设了跟没设一样，白白烧token。我观察了一下，感觉根子是ReAct那个循环逻辑——它每次拿到工具返回的结果，都会当成新的observation塞回prompt，然后LLM觉得“哦，我还能再分析一步”，就又生成一个action。比如你那个30℃的例子，模型可能觉得“30”是个数字，就下意识想调计算工具去“处理”一下