判断问题是否被模型忽略，指的是识别大语言模型在回答时是否未充分回应输入问题的核心信息，或完全回避了关键内容。这与模型“答错”不同，忽略表现为回答偏离主题、遗漏问题要点，或仅用模糊表述带过，而非给出错误信息。通常可通过对比问题核心与回答内容的匹配度来初步判断。
例如，用户提问“某产品的具体价格和售后服务政策是什么”，若模型仅介绍产品功能而未提及价格与售后，即属忽略；在客服场景中，当用户追问“退款申请进度”时，若模型反复强调退款流程却不提供进度信息，也可能是忽略了关键诉求。
判断模型是否忽略问题有助于优化提示词设计和模型训练数据，但需注意避免误判——部分场景下模型可能因信息不足或合规限制无法回答，而非主动忽略。未来随着模型理解力提升，结合上下文追踪技术，有望更精准识别并减少问题忽略现象，提升交互可靠性。
RAG技术即检索增强生成，是一种结合检索外部知识库与生成式AI的技术。它让大语言模型在生成回答前，先从可信数据源（如文档、数据库）中检索相关信息，再基于这些信息生成内容。与传统生成式AI相比，RAG能有效解决模型知识滞后、幻觉（虚构信息）和事实准确性不足的问题，让输出更贴合最新、最具体的需求。 在实际应用中，企业常利用RAG构建智能客服系统，例如金融机构通过检索最新政策文档和客户数据，让AI准确
大模型更关注语义而非关键词，是指其核心能力在于理解文本的深层含义和上下文逻辑，而非仅识别孤立的关键词。传统关键词匹配依赖词汇表面重合度，易受同义词、多义词或语序变化影响；而语义理解通过分析词与词、句与句的关系，结合上下文推断真实意图，例如能区分“苹果手机”和“吃苹果”中“苹果”的不同含义。 在实际应用中，智能客服系统是典型案例，用户提问“我的手机充不进电怎么办”时，大模型会理解“充不进电”的故障
AI生成内容泛滥指人工智能系统（如LLM）快速产出大量低质、重复或误导性内容的现象。与人类创作的优质内容相比，其核心风险在于内容真实性、原创性和社会影响的失控。这类内容常因算法趋同导致信息同质化，且缺乏深度思考，易形成“信息茧房”。 典型案例包括：社交媒体平台上批量生成的营销软文、虚假新闻和学术论文，严重干扰用户判断；电商领域的AI刷单评论和虚假产品描述，损害消费者权益。例如，2023年某学术期