待验证60% 置信事实时间未知
Notebook LM基于检索增强生成（RAG）架构，将用户文档切分为文本块并向量化后存储在内部向量数据库中
2
来源数
60%
置信度
长期有效
时效性
2026/5/31
首次发现
来源
Claude Code+NotebookLM：突破知识库限制构建智能应用
bilibili量子菠萝_
涉及实体
相关事实
已验证传统RAG流程的离线阶段将文档切片并通过嵌入模型转化为向量存储在向量数据库中，在线阶段通过近似最近邻（ANN）算法检索相似文档片段73% 相似待验证解决大语言模型上下文窗口有限的主流方案包括向量数据库检索增强生成（RAG）、摘要压缩以及外部记忆存储71% 相似待验证知识库检索中，文档分段后每个文本块通过嵌入模型（如text-embedding-ada-002或BGE系列）转换为高维向量存储在向量数据库中71% 相似待验证Document Context采用RAG（检索增强生成）范式，先用向量检索找到最相关片段，再连同用户问题送给LLM71% 相似待验证Vibe-Research的研报解读功能在技术上对应RAG（检索增强生成）范式，将文档切片存入向量数据库后检索相关片段作为上下文71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/7677API
curl https://kongchang.com/api/v1/knowledge/claims/7677MCP
get_claim(id=7677)