待验证50% 置信观点精确时间
长上下文调用需要按团队设预算，每周记录输入token直方图，峰值对应着糟糕的prompt或缺失的RAG。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/14
首次发现
有效期至：2027/1/12
来源
涉及实体
相关事实
待验证以RAG为例，面试官会追问为什么不用Fine-tuning、检索召回率低时如何优化、用哪种向量数据库及原因69% 相似待验证相比RAG提交prompt有硬上限，图谱工具调用允许模型按需调用任意次数以挖掘所需信息67% 相似待验证企业RAG项目中回答质量不佳的原因可能来自文档切分策略、Embedding模型选择、检索算法精度和Prompt模板设计等多个环节65% 相似已验证基于向量数据库的RAG（检索增强生成）方案更擅长处理文档型知识，但对高度结构化的工程事实检索精准度和实时性往往不够理想64% 相似已验证微调将知识烧录进模型权重，知识更新需重新训练成本高；RAG将知识存储外部数据库，更新只需修改数据库无需改动模型63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1030006API
curl https://kongchang.com/api/v1/knowledge/claims/1030006MCP
get_claim(id=1030006)