待验证50% 置信权衡取舍精确时间
在RAG场景中，Recall通常优先于Precision，因为漏掉一份关键证据往往直接导致答案错误，而多召回几份无关文档只是增加上下文噪声和Token成本。
1
来源数
50%
置信度
长期有效
时效性
2026/10/13
首次发现
来源
涉及实体
相关事实
待验证在标准向量数据库和RAG方案中，相互冲突的事实会被悄无声息地覆盖，导致决策历史消失、零溯源74% 相似待验证在医疗领域，模型对最新指南、院内规章、药品说明书往往缺乏可靠记忆，直接生成容易产生幻觉；通过RAG检索权威语料并附上出处，既能提升答案准确度，也为后续人工核查提供依据。73% 相似待验证长期记忆若保存错误信息会污染后续任务，应只保存真正有价值、经过确认的信息70% 相似待验证微调对注入事实性知识的效率很低，更擅长调整行为模式而非记忆具体事实，知识缺失问题应用RAG处理更高效70% 相似待验证检索评估优先看Recall@k，因为漏掉证据会让下游生成无从补救，而带回少量噪声文档通常还能被上下文窗口或reranker过滤掉。70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1015435API
curl https://kongchang.com/api/v1/knowledge/claims/1015435MCP
get_claim(id=1015435)