待验证50% 置信事实精确时间
以RAG为例，面试官会追问为什么不用Fine-tuning、检索召回率低时如何优化、用哪种向量数据库及原因
1
来源数
50%
置信度
长期有效
时效性
2026/9/22
首次发现
来源
涉及实体
相关事实
待验证企业RAG项目中回答质量不佳的原因可能来自文档切分策略、Embedding模型选择、检索算法精度和Prompt模板设计等多个环节78% 相似已验证基于向量数据库的RAG（检索增强生成）方案更擅长处理文档型知识，但对高度结构化的工程事实检索精准度和实时性往往不够理想74% 相似待验证文本分块过大会稀释检索精度，过小会导致语义不完整，分块策略直接决定RAG系统的检索质量73% 相似待验证研究表明在RAG系统中，检索环节的质量对最终答案准确率的影响往往超过语言模型本身规模带来的增益72% 相似待验证相比RAG提交prompt有硬上限，图谱工具调用允许模型按需调用任意次数以挖掘所需信息71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/941777API
curl https://kongchang.com/api/v1/knowledge/claims/941777MCP
get_claim(id=941777)