待验证50% 置信事实精确时间

RAG系统中LLM生成质量差的根本原因往往不是模型能力不足，而是输入的参考文档本身存在问题

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/7/2

首次发现

有效期至：2026/9/30

来源

RAG Recall Rate Optimization: A Full-Pipeline Funnel Engineering Breakdown from Data Ingestion to Reranking

bilibiliAI大模型开发2026/6/21

相关事实

待验证RAG存在两个漏洞：模型处理上下文时仍可能误读误用，以及检索到的上下文本身可能错误或无关73% 相似待验证RAG（检索增强生成）和 Fine-tuning（微调）能一定程度弥补大模型无法感知企业内部数据的缺陷72% 相似待验证RAG的检索质量高度依赖向量数据库构建质量与嵌入模型语义理解能力，检索到错误片段同样会引发错误生成72% 相似待验证RAG在代码场景失败的真正原因是不可诊断性、多环节误差乘法叠加、索引时效性三个深层问题，而非Embedding对代码失效71% 相似待验证RAG的回答质量很大程度上取决于检索环节，而非模型能力本身71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/42385

API

curl https://kongchang.com/api/v1/knowledge/claims/42385

MCP

get_claim(id=42385)