已验证70% 置信事实时间未知

RAG（检索增强生成）的典型流程包括文档分块（Chunking）、向量嵌入（Embedding）、相似度检索（Similarity Search）和上下文注入（Context Injection）四个步骤

4

来源数

70%

置信度

长期有效

时效性

2026/6/1

首次发现

来源

Agent上下文腐烂的两种病因：Distraction与Poisoning详解

bilibiliAI大模型原理

涉及实体

相关事实

已验证RAG（检索增强生成）技术架构将文档切片、向量化、存入向量数据库，查询时先检索相关片段再交给模型生成回答80% 相似待验证RAG的工程难点集中于Chunk切分策略、Embedding模型选择、检索精度调优（稠密+稀疏混合检索及Rerank重排序）以及多模态内容解析80% 相似待验证RAG（检索增强生成）通过将当前输入语义向量化并在历史库中执行近似最近邻检索注入上下文窗口80% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/22392

API

curl https://kongchang.com/api/v1/knowledge/claims/22392

MCP

get_claim(id=22392)