待验证80% 置信事实时间未知
全局上下文文件可以结合检索增强生成（RAG）机制，在项目规模扩大后按需注入相关规则片段，避免超出模型的上下文窗口限制
1
来源数
80%
置信度
长期有效
时效性
2026/5/31
首次发现
来源
AI编程实战复盘：决定项目成败的6条工程规则
bilibili大船的AI折腾日记
涉及实体
相关事实
待验证上下文管理的业界主流策略包括RAG通过向量数据库动态检索、滑动窗口机制保留执行历史、以及记忆蒸馏将长对话压缩为结构化摘要75% 相似已验证检索增强生成（RAG）通过向量数据库将代码库切分为语义片段，在 AI 处理具体任务时动态检索最相关的内容注入上下文74% 相似待验证工程界普遍采用RAG架构：将历史信息切分成语义块，通过嵌入模型转化为向量存入向量数据库（如Faiss、Pinecone、Weaviate），用户提问时计算余弦相似度检索最相关片段74% 相似待验证检索增强生成（RAG）的核心流程分为三步：将知识库文档切分并向量化存储、检索语义最相关片段、将片段作为上下文注入LLM提示词74% 相似待验证工业级RAG涉及完整链路的工程化落地，包括文档解析与分块、向量嵌入模型选型、多路混合检索、重排序（通常使用Cross-Encoder模型）优化及输出验证层74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/12389API
curl https://kongchang.com/api/v1/knowledge/claims/12389MCP
get_claim(id=12389)