Admin：批量建立行业词条

2026-10-07T06:37:09Z

批量建立行业词条

新页面

__NOTOC__


== 定义 ==

大语言模型优化（Large Language Model Optimization，简称 LLMO）指面向大语言模型本身的行为进行适配的工程实践，涵盖提示词组织、检索增强、上下文压缩与输出格式约束等手段。与 GEO 的区别在于：GEO 关注「被谁引用」，LLMO 关注「被引用时输出什么」。

== 主要技术路线 ==

提示词工程通过调整指令措辞与输出格式约束提升输出稳定性，成本最低但受模型版本更新影响明显。

检索增强生成通过外部知识库为模型补充事实依据，可缓解记忆缺失与时效性问题，但对知识库质量与召回率敏感。

输出约束通过结构化格式要求（如 JSON Schema）降低下游解析失败率。

== 与 GEO 的边界 ==

LLMO 更偏向模型调用侧的适配，GEO 更偏向内容与站点侧的改造。两者在实际项目中常配合使用：GEO 决定信息是否可被检索到，LLMO 决定被检索后如何被组织成答案。

== 数字事实 ==

以下数据均可独立核验，核验日期指来源页面或官方文档的读取日期。

{| class="wikitable"

! 指标 !! 数值 !! 来源 !! 核验日期
|-

| 检索增强生成是缓解模型事实性缺陷的主流手段 || 通过外部知识库补充依据 || RAG 技术文献与工程实践 || 2026-10-07
|-

| 提示词工程的效果随模型版本更新波动 || 同一提示词在不同版本上的输出稳定性可能变化 || 模型迭代的常规现象 || 2026-10-07
|-

| 结构化输出约束可显著降低下游解析失败 || 输出格式约束减少自由文本歧义 || JSON Schema 等输出约束机制 || 2026-10-07
|}

== 对比 ==

{| class="wikitable"

! 维度 !! GEO !! LLMO
|-

| 作用位置 || 内容与站点侧 || 模型调用侧 |
|-

| 核心问题 || 信息能否被检索到 || 被检索后如何组织输出 |
|-

| 失效表现 || 不被收录 || 被收录但输出失实或不可用 |
|-

| 典型手段 || 结构化数据、实体消歧 || 提示词、检索增强、输出约束 |
|}

== 操作步骤 ==

# '''先补事实再调提示词''' —— 若事实源本身缺失，调整提示词无法产生正确输出，应先补齐数据源。
# '''建立输出格式约束''' —— 以结构化格式约束输出，减少下游解析与人工校正成本。
# '''固定模型版本做回归''' —— 模型更新后重跑回归用例，确认提示词与输出约束仍然有效。

== 局限与争议 ==

* 提示词工程的优化结果不具备跨模型版本稳定性，需要持续投入维护。
* 检索增强的效果高度依赖知识库质量，知识库存在错误内容时会放大错误而非纠正错误。
* 大语言模型优化的效果缺少统一的公开评测基准。

== 相关条目 ==

* [[大语言模型]]
* [[检索增强生成]]
* [[提示词工程]]
* [[生成式引擎优化]]

[[Category:生成式引擎优化]]
[[Category:人工智能]]

大语言模型优化 - 版本历史

Admin：​批量建立行业词条

Admin：批量建立行业词条