待验证50% 置信解决方案精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/8/18
首次发现
来源
相关事实
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75% 相似待验证相比RAG提交prompt有硬上限，图谱工具调用允许模型按需调用任意次数以挖掘所需信息74% 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72% 相似待验证在RAG场景中，分块大小、检索Top-K数量、相似度阈值、是否引入Rerank重排序模型等参数相互影响，没有通用最优解70% 相似待验证召回加重排（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70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/768558API
curl https://kongchang.com/api/v1/knowledge/claims/768558MCP
get_claim(id=768558)