待验证50% 置信事实精确时间
在 RAG 流程中,召回阶段追求“不漏”,通常用向量相似度快速筛出几十到上百个候选片段;重排序阶段用更重的模型精细打分,追求“排序准”。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
涉及实体
相关事实
已验证重排序(Reranking)技术先用粗检索召回大量候选片段,再用精排模型重新评分,只保留最相关内容送入模型73% 相似待验证在RAG流程返回大量候选文档片段时,可先按相关性排序再截取前3-5项传入大模型以控制输入长度72% 相似待验证RAG检索流程中用户问题首先交给Embedding模型转换成向量,然后在向量数据库中做相似度计算取出最相关的前K个文档,再与原始提问拼接后交给大模型生成答案70% 相似待验证Naive RAG 的工作流程是:将用户查询转换为向量,执行一次向量相似度搜索,取回最相关的片段,然后把上下文连同原始问题一起输入 LLM 生成答案70% 相似待验证RAG系统中检索结果通常按相关性分数排序后顺序拼接,最相关的chunk不一定排在最显眼位置70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1132480API
curl https://kongchang.com/api/v1/knowledge/claims/1132480MCP
get_claim(id=1132480)