待验证60% 置信事实精确时间
EmbeddingModel通过将文字转化为向量，利用向量相似度匹配找出与问题最相关的文本片段，是RAG的基础
2
来源数
60%
置信度
长期有效
时效性
2026/7/14
首次发现
来源
相关事实
待验证RAG中问题和知识库必须使用同一个embedding模型进行向量化，向量相似度才能有效代表文本相似度76% 相似待验证传统RAG架构主要依赖Embedding相似度检索，通过文档切片、向量化后根据语义相似度召回内容，无法表达实体之间的结构关系、因果链条或时序依赖75% 相似已验证现代RAG实现广泛引入稠密向量检索（Dense Retrieval），利用嵌入模型将文本转化为高维向量，通过语义相似度进行匹配75% 相似已验证向量数据库将文本内容通过嵌入模型（Embedding Model）转化为高维数值向量，检索时通过余弦相似度等算法找出语义最接近的内容73% 相似待验证向量库通过Embedding模型将文本转化为高维向量，再利用近似最近邻算法（ANN，如HNSW、IVF-Flat）检索语义相近内容72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/503970API
curl https://kongchang.com/api/v1/knowledge/claims/503970MCP
get_claim(id=503970)