待验证50% 置信事实精确时间
RAG 将文档切分为独立 chunk 并按相似度召回，在单篇文档中表现良好，但无法建立企业群聊中跨片段、跨频道、跨时间的关联。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
涉及实体
相关事实
待验证RAG 离线阶段将企业文档切分成块，通过嵌入模型转化为高维向量，存入向量数据库如 Pinecone、Qdrant 或 Weaviate65% 相似待验证RAG是大型、松散结构文档集中事实查找的正确默认选项，但当答案需要跨多个文档连接若干事实或事实是受治理的指标时，它就不合适。64% 相似已验证RAG通过将私有文档切分为文本块、转化为向量表示并存储在向量数据库中，检索相关内容注入Prompt来解决大模型知识截止日期的局限性62% 相似待验证RAG 架构中，原始页面被切分为 chunk（通常几百 token），通过嵌入模型（如 OpenAI 的 text-embedding 系列）映射为高维向量，存入向量数据库，用户提问时按余弦相似度召回最相关段落。61% 相似已验证RAG工作流程分离线和在线两阶段：离线将文档切分转化为向量存入向量数据库，在线将问题转化为向量通过ANN算法检索最相似文本片段拼接进上下文60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1038568API
curl https://kongchang.com/api/v1/knowledge/claims/1038568MCP
get_claim(id=1038568)