待验证50% 置信权衡取舍精确时间
LLM 语义提取方式对页面结构变化鲁棒性更强，但每次抓取会产生 Token 消耗，大批量采集场景下需要权衡成本
1
来源数
50%
置信度
长期有效
时效性
2026/10/8
首次发现
来源
涉及实体
相关事实
待验证RAG分块质量直接决定检索召回率，若一段完整论述被切断在两个chunk中间，向量检索可能只召回半截内容，导致LLM基于不完整信息作答70% 相似待验证RAG 架构的优势在于无需重新训练模型即可注入新知识，但代价是提示词长度（输入 token 数量）会随检索内容增加而显著增长68% 相似已验证RAG的效果高度依赖文档切片策略质量，切片过长增加检索噪声，切片过短丢失上下文语义65% 相似已验证RAG 通过检索阶段将用户问题转为向量并召回文档片段，生成阶段将召回内容注入提示词，从而降低模型幻觉问题65% 相似已验证RAG机制通过向量数据库检索语义相近的业务数据片段并注入LLM提示词，解决LLM的知识截止与幻觉问题，且无需重新训练模型63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/988332API
curl https://kongchang.com/api/v1/knowledge/claims/988332MCP
get_claim(id=988332)