检索增强生成
核心事实
时间轴 (近 90 天)
在大模型时代，知识图谱与本体技术在检索增强生成（RAG）、智能问答、企业知识管理等场景中扮演着越来越重要的角色。
对于法律AI开发者而言，检索增强生成（RAG）系统需要具备时间感知能力——不仅要检索到相关法条，还要检索到判决时点有效的版本。
引入检索后，26个模型中有20个获得提升，6个反而下降。
这一机制与检索增强生成中的“固定上下文注入”思路相近，但更轻量、更可控。
检索增强生成（RAG）部署轻、知识可实时更新，是企业区分“通用商品”与“核心壁垒”时常用的技术分界线。
将自有业务数据与基础模型结合的方式主要有两类：微调（用企业私有数据继续训练模型参数，形成专用模型）和检索增强生成（RAG）（在推理时从企业知识库检索相关内容注入提示词，模型参数不变）。
与单纯依赖模型内部参数知识相比，RAG能显著减少编造统计数字的概率，因为每个数字都可回溯到检索到的原文。
AI辅助反编译的常见技术包括用检索增强生成（RAG）引入同类项目源码作参照、用编译器反馈形成闭环迭代修正、以及利用单元测试或差分测试验证改写前后逻辑等价。
成功经验检索依赖一个可检索的历史轨迹库，每条轨迹通常以任务描述、执行动作序列和最终结果作为索引，检索时根据任务语义相似度或执行路径相似度召回。
微调更适合稳定、可枚举的规则，对于频繁变动或需要实时查证的信息，往往要配合检索增强生成（RAG）等方式，否则模型容易记住过时规则或产生看似合规实则错误的回答。
还有 38 条时间轴事件
全部知识事实 (20)
RAG的核心思想是在大模型生成回答前，先从外部知识库检索相关信息作为上下文注入提示词
90%已验证RAG的回答质量很大程度上取决于检索环节，而非模型能力本身
85%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
80%已验证长期记忆Agent通常基于RAG（检索增强生成）技术构建，通过向量数据库将信息转化为高维向量并持久化存储
80%已验证缓解LLM幻觉的策略包括检索增强生成（RAG）、思维链提示（Chain-of-Thought）以及要求模型输出置信度评分
80%已验证检索相关记忆并注入上下文的机制在学术界常被称为检索增强生成（RAG）的记忆扩展形式
75%已验证检索增强生成（RAG）在生成回答前从企业私有知识库检索相关文档片段注入提示词，导致每次查询都将内部文档片段发送至模型服务商服务器
75%已验证检索增强生成（RAG）通过基于真实知识库内容回答来解决大模型的幻觉问题
75%已验证对使用RAG的系统，检索质量和答案质量应分开监控，因为糟糕的答案可能源于检索差而非生成能力弱
70%已验证RAG（检索增强生成）是一种结合信息检索与生成式大模型的架构范式，模型生成答案前先根据用户查询从外部知识库检索最相关的文档片段，再将其作为上下文注入模型
70%已验证该功能使用检索增强生成（RAG）技术架构，在生成内容时实时检索用户提供的外部文档作为上下文依据
70%已验证检索增强生成（RAG）是缓解大语言模型在知识密集型任务上产生幻觉的主流技术路径之一
65%已验证业界正通过检索增强生成（RAG）、事实核查模块、多模型交叉验证等手段降低幻觉率，但目前没有任何方法能将其完全消除
65%已验证检索增强生成（RAG）通过将模型输出锚定到经过核实的文档数据库，降低虚构内容出现的概率并实现引用可追溯
65%已验证RAG能让模型使用企业私有知识，并降低模型编造内容（幻觉）的概率
65%已验证微调适合让模型学习特定输出风格或领域语气，而RAG通过外挂知识库实现即改即用，两者在工程中常结合使用
65%已验证检索增强生成（RAG）是主流幻觉抑制技术，在模型生成回答前从外部知识库检索相关文档片段作为上下文注入提示词
65%待验证目前解决AI知识截止问题的方案包括RAG（检索增强生成）、在提示中粘贴最新文档内容，或使用支持更长上下文窗口的模型
90%待验证RAG可降低知识截止日期带来的信息过时风险，但检索系统可能召回错误文档，且在文档本身存在错误或矛盾时可能放大问题
60%待验证在大模型时代，知识图谱与本体技术在检索增强生成（RAG）、智能问答、企业知识管理等场景中扮演着越来越重要的角色。
50%