待验证90% 置信事实时间未知
RAG论文的核心洞察是参数化知识（存储在模型权重中）与非参数化知识（存储在外部检索库中）可以有机结合
1
来源数
90%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
RAGFlow本地部署教程：Docker搭建企业级RAG知识库全流程
bilibili吴恩达LLM
涉及实体
相关事实
待验证RAG（检索增强生成）由Lewis等人于2020年提出，核心思想是将参数化知识与非参数化知识解耦，推理时动态召回相关文档拼接进提示词76% 相似待验证在 Dify 中推荐使用通义千问的 Embedding 模型用于知识库检索等 RAG 功能69% 相似待验证传统大模型依赖参数化知识（将文本编码进模型权重参数），而RAG引入非参数化知识（将外部文档库作为可实时检索的动态知识源）69% 相似待验证RAG检索增强生成由Lewis等人于2020年在Facebook AI Research提出，核心在于将参数化知识与非参数化知识解耦，使知识更新无需重新训练模型69% 相似已验证RAG通过强制模型从可信文档中提取答案，有效缓解大语言模型的知识截止与幻觉两大问题68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/18819API
curl https://kongchang.com/api/v1/knowledge/claims/18819MCP
get_claim(id=18819)