待验证50% 置信解决方案精确时间
召回加重排（Recall + Rerank）先用 embedding 或关键词检索召回 Top 10 候选，再交给大模型做最终裁决，与RAG思路一致
1
来源数
50%
置信度
长期有效
时效性
2026/7/20
首次发现
来源
相关事实
待验证重排序（Reranking）技术先用粗检索召回大量候选片段，再用精排模型重新评分，只保留最相关内容送入模型78% 相似待验证文本分块策略、检索召回数量（Top-K）、重排序模型（Reranker）是影响RAG系统最终效果的三个关键变量73% 相似待验证在RAG流程返回大量候选文档片段时，可先按相关性排序再截取前3-5项传入大模型以控制输入长度70% 相似待验证RAG选型决策规则：数据简单更新少只需相似检索选向量RAG，强调实体关系多跳推理选Graph RAG，需要可导航可溯源自动更新选编译式RAG68% 相似待验证检索增强少样本（RAG-augmented Few-shot）方法从历史处理记录中动态检索最相关案例作为示例，使模型持续适应新类型异常而无需重新训练66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/565220API
curl https://kongchang.com/api/v1/knowledge/claims/565220MCP
get_claim(id=565220)