待验证50% 置信事实精确时间
RAG（检索增强生成）和向量数据库技术可以部分缓解LLM无持久记忆的问题，但会引入额外的工程复杂性
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
相关事实
待验证相比 RAG、向量数据库、OpenAI Memory API 等方案，Skill/Rules 文件机制以最轻量方式实现外置记忆，适合结构化可复用的开发经验77% 相似待验证RAG通过将代码切分为语义块、经向量嵌入模型转化为高维向量存储在向量数据库中，检索后注入LLM提示词，缓解AI幻觉问题75% 相似待验证RAG适合知识频繁更新、需要引用具体来源的场景，Fine-tuning更适合固定格式输出、高度专业化的垂直场景，但成本更高且知识更新灵活性较低75% 相似待验证RAG（检索增强生成）在推理阶段引入外部记忆来约束模型生成边界，通过将文档切片、嵌入为向量存入向量数据库并在推理时检索相关片段注入Prompt75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/51107API
curl https://kongchang.com/api/v1/knowledge/claims/51107MCP
get_claim(id=51107)