待验证50% 置信解决方案精确时间
分层RAG采用由粗到细的检索方式，先在粗粒度层面定位相关文档或章节，再逐层下钻到细粒度的段落或句子
1
来源数
50%
置信度
长期有效
时效性
2026/9/16
首次发现
来源
涉及实体
相关事实
待验证传统RAG方案主要依赖分块检索，即将文档切分成片段后通过向量相似度匹配返回最相关的段落78% 相似已验证检索增强生成（RAG）的核心流程分为三步：将知识库文档切分并向量化存储、检索语义最相关片段、将片段作为上下文注入LLM提示词77% 相似待验证现代RAG系统广泛采用向量检索技术，通过嵌入模型将文本转为高维向量并计算余弦相似度找到相关文档77% 相似待验证在RAG工程中检索出的相关文档块应优先排列在prompt的首部或尾部，而非按相似度分数顺序堆叠74% 相似已验证标准RAG管线通常包含文档预处理、文本分块、Embedding向量化、向量数据库存储、近似最近邻检索、可选重排序及最终生成共七个环节74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/925110API
curl https://kongchang.com/api/v1/knowledge/claims/925110MCP
get_claim(id=925110)