Unverified50% confidenceFactExact time
传统RAG依赖分块检索，将文档切分成片段后通过向量相似度匹配返回最相关段落，无法捕捉实体之间的逻辑关系和因果链条
1
Sources
50%
Confidence
Long-term
Relevance
8/31/2026
First Seen
Sources
Related Entities
Related Claims
Unverified传统RAG通常采用向量相似度检索，但对结构化关系的捕捉能力有限79% similarUnverified在RAG系统中检索结果按相关性分数排序拼接，最相关chunk不一定排在最显眼位置，可能因位置不当被模型忽视78% similarUnverified在RAG场景中，分块大小、检索Top-K数量、相似度阈值、是否引入Rerank重排序模型等参数相互影响，没有通用最优解76% similarUnverified传统RAG依赖余弦相似度或点积运算匹配文本嵌入向量，对多跳问题处理能力有限，易导致大模型生成幻觉内容76% similarUnverified传统RAG方案的核心局限包括：文档切片破坏知识整体语义结构、向量相似度检索难以捕捉深层逻辑关联、每次查询相互独立无法沉淀结构化知识72% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/830683API
curl https://kongchang.com/api/v1/knowledge/claims/830683MCP
get_claim(id=830683)