待验证60% 置信事实精确时间
Modular RAG引入了查询重写、HyDE（假设性文档嵌入）等检索前处理策略以提升检索召回率
2
来源数
60%
置信度
长期有效
时效性
2026/7/7
首次发现
来源
Spring AI 2.0实战：Java开发者构建Agent智能体入门指南
bilibiliAI大模型面试官2026/7/6
相关事实
待验证Advanced RAG引入查询重写、混合检索、重排序（Reranker）等机制提升召回质量，Modular RAG将检索、生成、验证等模块解耦79% 相似已验证RAG（检索增强生成）技术架构将文档切片、向量化、存入向量数据库，查询时先检索相关片段再交给模型生成回答74% 相似待验证RAG系统采用「索引-检索-生成」三阶段流水线，通过嵌入模型将文档块转化为高维向量存入向量数据库，再通过余弦相似度或近似最近邻算法检索74% 相似待验证RAG系统召回率优化涉及数据摄入、查询处理、检索策略和重排序/过滤四个层次的全流程漏斗工程73% 相似待验证主流 RAG 系统通常采用混合检索策略，将关键词检索与向量检索结合并通过重排序模型二次过滤73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/175139API
curl https://kongchang.com/api/v1/knowledge/claims/175139MCP
get_claim(id=175139)