待验证70% 置信事实时间未知

在Agent技能路由场景中，通过RAG向量检索可以将上下文占用从数万token压缩到几百token，同时保持极高的召回准确率

1

来源数

70%

置信度

长期有效

时效性

2026/6/1

首次发现

来源

AI Agent Skill架构拆解：决策层+封装层+执行层实战指南

bilibili智能AI大模型

涉及实体

相关事实

待验证工作流文档配合提示词后追机制本质上是一种检索增强生成（RAG）的简化实现，用于在上下文重置后快速恢复Agent的任务认知70% 相似待验证B站UP主彭宇在其大模型面试系列视频中对RAG召回率优化进行了全链路拆解67% 相似待验证父子分块策略用小块做检索、用大块喂给模型，在检索精度和上下文完整性之间取得平衡64% 相似待验证浮点迁移除法技巧真正适用的场景是运行时才确定的变量除数、数值范围可控、对精度要求可以接受的批量计算64% 相似待验证ReAct的思考—行动—观察循环机制使Agent在处理多步骤复杂任务时表现出更高可靠性，显著减少幻觉和错误累积64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/20736

API

curl https://kongchang.com/api/v1/knowledge/claims/20736

MCP

get_claim(id=20736)