待验证50% 置信事实精确时间

RAG检索流程中用户问题首先交给Embedding模型转换成向量，然后在向量数据库中做相似度计算取出最相关的前K个文档，再与原始提问拼接后交给大模型生成答案

1

来源数

50%

置信度

长期有效

时效性

2026/10/10

首次发现

来源

RAG知识库搭建入门：从向量检索到Embedding模型详解

涉及实体

RAGconcept Embedding模型technology

相关事实

待验证Naive RAG 的工作流程是：将用户查询转换为向量，执行一次向量相似度搜索，取回最相关的片段，然后把上下文连同原始问题一起输入 LLM 生成答案76% 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75% 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74% 相似待验证RAG流程涉及文档分块策略、向量化方式、检索算法、重排序、提示词模板等多个环节，任一环节出问题都会影响最终答案质量73% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/993355

API

curl https://kongchang.com/api/v1/knowledge/claims/993355

MCP

get_claim(id=993355)