待验证50% 置信事实精确时间
在LangChain中，Embeddings、VectorStore和Retriever构成标准抽象：文档经切分后嵌入入库，查询时先嵌入问题再检索Top-K相关片段，拼入提示词交给LLM。
1
来源数
50%
置信度
长期有效
时效性
2026/11/1
首次发现
来源
涉及实体
相关事实
待验证上下文检索技巧是在嵌入前为每个块前拼接文档标题和章节路径，或用LLM生成简短摘要说明该块在文档中的位置66% 相似待验证LlamaIndex的 SentenceWindowNodeParser 和 LangChain的 ParentDocumentRetriever 实现了父子分块/小到大检索模式。66% 相似待验证Elasticsearch基于倒排索引实现高速文本检索，其核心逻辑是词频统计和TF-IDF权重计算，无法理解语义关系或建立跨文档关联64% 相似待验证Semantic Memory 将对话内容通过 Embedding 存入向量数据库，检索时按语义相似度召回，其链路与 RAG 一致，区别在于知识来源是历史对话而非外部文档。63% 相似待验证EmbeddingGemma 2 要求搜索查询前加简短任务提示，文档用「标题+正文」格式，训练与推理的模板必须完全一致63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1122929API
curl https://kongchang.com/api/v1/knowledge/claims/1122929MCP
get_claim(id=1122929)