待验证50% 置信事实精确时间
传统RAG架构主要依赖Embedding相似度检索，通过文档切片、向量化后根据语义相似度召回内容，无法表达实体之间的结构关系、因果链条或时序依赖
1
来源数
50%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
待验证Semantica在RAG基础上引入知识图谱层，使系统能沿关系边进行结构化推理，发现仅靠文本相似度检索无法捕捉的深层关联78% 相似已验证代码场景的RAG检索需要理解语法树（AST）、函数调用图和类型依赖关系，而非仅进行语义相似度检索75% 相似待验证EmbeddingModel通过将文字转化为向量，利用向量相似度匹配找出与问题最相关的文本片段，是RAG的基础75% 相似已验证现代RAG实现广泛引入稠密向量检索（Dense Retrieval），利用嵌入模型将文本转化为高维向量，通过语义相似度进行匹配75% 相似待验证在代码生成场景中，主流RAG实践是以函数或类为单位进行语义分块，并通过余弦相似度匹配最相关的文档片段74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/904536API
curl https://kongchang.com/api/v1/knowledge/claims/904536MCP
get_claim(id=904536)