待验证75% 置信观点时间未知

上下文工程是在RAG之上的进一步演进，不仅关注信息的召回率，更关注注入上下文的结构质量、可信度层级和冲突标记

1

来源数

75%

置信度

长期有效

时效性

2026/5/31

首次发现

来源

AI总答偏？用代码把资料编译成任务上下文

bilibili玉启智能

涉及实体

RAGconcept 上下文工程concept

相关事实

待验证Harness应对上下文拥挤的做法是通过RAG等技术把进度、文件结构、日志结构化存在外部，让模型读取而非回忆74% 相似待验证全局上下文文件可以结合检索增强生成（RAG）机制，在项目规模扩大后按需注入相关规则片段，避免超出模型的上下文窗口限制73% 相似已验证Perplexity AI底层采用RAG（检索增强生成）技术架构，实时抓取网络内容结合LLM输出带引用来源的结构化答案73% 相似待验证上下文管理的业界主流策略包括RAG通过向量数据库动态检索、滑动窗口机制保留执行历史、以及记忆蒸馏将长对话压缩为结构化摘要72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/6254

API

curl https://kongchang.com/api/v1/knowledge/claims/6254

MCP

get_claim(id=6254)