待验证50% 置信权衡取舍精确时间

与微调相比，RAG更轻量、更易于更新，微调需要大量标注数据和算力

1

来源数

50%

置信度

长期有效

时效性

2026/10/9

首次发现

来源

Refs：给AI喂电影级参考，让Claude学会拍视频

涉及实体

RAGconcept Fine-tuningconcept

相关事实

待验证更大的上下文窗口降低了对检索增强生成（RAG）的依赖，但会提高单次调用的计算成本与延迟76% 相似待验证Embedding微调提升召回覆盖率，Rerank提升精排准确率，两者组合是生产级RAG系统的标配方案75% 相似已验证组合运用RAG策略、Prompt缓存、上下文精简、模型微调等手段往往能在不牺牲质量的前提下将成本降低一个数量级73% 相似待验证预定义技能库加元数据匹配的方式相比传统全量RAG检索精度更高、延迟更低，因为候选集是人工策展的有限集合69% 相似待验证优质Prompt在大多数场景下比微调更高效，在数据量不足或需求模糊的阶段贸然做微调往往事倍功半67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/991948

API

curl https://kongchang.com/api/v1/knowledge/claims/991948

MCP

get_claim(id=991948)