待验证50% 置信事实精确时间

RAG的工作流可拆解为三个步骤：将外部文档切分成文本块并通过embedding模型转换为向量存入向量数据库；用户提问时将问题向量化并做相似度检索取出Top-K文本块；将文本块拼接进提示词交由大语言模型生成回答

1

来源数

50%

置信度

长期有效

时效性

2026/10/1

首次发现

来源

RAG被赋予了太多责任：重新理解检索增强生成的边界

涉及实体

RAGconcept embeddingtechnology 向量数据库technology

相关事实

待验证RAG流程包括文本切片（chunking）、通过Embedding模型将片段转化为向量、以及向量检索78% 相似已验证RAG策略通过向量嵌入将代码片段编码为高维语义向量，在检索时计算查询意图与代码片段的语义相似度以召回相关代码71% 相似待验证RAG 依赖向量嵌入技术，将文本转化为高维数值向量，使语义相近内容在向量空间中距离更近69% 相似待验证在 RAG 系统中，Markdown 的层级结构为文档分块提供了天然的语义边界，相比纯文本按字数切分能显著提升检索召回率和生成质量67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/963740

API

curl https://kongchang.com/api/v1/knowledge/claims/963740

MCP

get_claim(id=963740)