待验证50% 置信解决方案精确时间

CRAG 中的查询重写让 LLM 将原始问题分解为若干更精确的子查询，分别检索后再合并，以降低词汇鸿沟导致的召回失败

1

来源数

50%

置信度

长期有效

时效性

2026/9/28

首次发现

来源

纠错式RAG（CRAG）实战：构建会自我校验的合规研究助手

涉及实体

CRAGconcept query rewritingconcept

相关事实

待验证多轮对话中带指代的省略式查询直接做向量检索效果差，常用查询重写借助LLM改写成自包含查询70% 相似待验证在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65% 相似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64% 相似待验证R²Adapter的重写功能对边界查询进行改写，使隐含的多跳推理需求更清晰暴露，且无需额外的监督信号即可提升检索质量64% 相似待验证文本分块过大会稀释检索精度，过小会导致语义不完整，分块策略直接决定RAG系统的检索质量63% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/955921

API

curl https://kongchang.com/api/v1/knowledge/claims/955921

MCP

get_claim(id=955921)