待验证50% 置信事实精确时间
RAG的关键组件包括Embedding模型（如OpenAI的text-embedding-3系列或开源的BGE模型）、向量数据库（Pinecone、Weaviate、Chroma、pgvector等）和检索策略
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/7/14
首次发现
有效期至：2026/10/12
来源
相关事实
待验证RAG离线构建阶段通过Embedding模型（如OpenAI的text-embedding-ada-002或开源的BGE、M3E）将文本块转化为向量并存入向量数据库（如Faiss、Chroma、Milvus、Weaviate）83% 相似已验证RAG技术栈由向量数据库（如Pinecone、Weaviate、Chroma）、嵌入模型、重排序等技术构成78% 相似待验证RAG系统的核心工程链路包括文档切分策略、Embedding模型选型与向量数据库部署、混合检索（语义检索+BM25关键词检索）以及Reranker重排序77% 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76% 相似待验证RAG常用的embedding模型包括Sentence-BERT、BGE（智源研究院推出的中文向量模型）、M3E等76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/507757API
curl https://kongchang.com/api/v1/knowledge/claims/507757MCP
get_claim(id=507757)