RAG
检索增强生成（Retrieval-Augmented Generation，RAG）是一种结合信息检索与大语言模型生成能力的人工智能技术框架。其核心机制是在生成回答前，先从外部知识库中检索相关文档或片段，将其作为上下文输入模型，从而使模型能够利用最新或领域专属知识进行回答，有效缓解大语言模型的幻觉问题和知识截止局限性。
核心事实
时间轴 (近 90 天)
鞋底磨损是该款二手选购的核心关注点：Vara 多为皮底，前掌与跟部磨损较快，磨穿后修鞋成本不低，建议优先选鞋底皮层完好或已更换橡胶防滑掌的成品。
该款定位商务通勤经典，搭配正装或都市休闲风格契合度高，但方扣蝴蝶结装饰风格较为正式，日常街头休闲或运动场景违和感明显。
附原鞋盒与防尘袋对二手溢价有一定支撑，但因该款流通量大，仅凭鞋盒不能显著拉高转售价；选购时不必为有无鞋盒支付过高溢价，重点仍在鞋况本身。
Vara 楦头偏窄、鞋帮较硬，脚背高或宽脚型穿着初期磨脚反馈较多，不适合长时间步行或站立场景。
Vara 系列为 Ferragamo 长销经典款，款式设计多年未变，二手/转售市场流通性强，尺码覆盖广，不易因款式停产而难以出手。
漆皮版鞋面日常擦拭即可还原光泽，选购二手时重点查验折痕与龟裂（漆皮一旦龟裂无法修复），成色好的漆皮款保值性优于磨砂皮版本。
Vara 系列为 Ferragamo 核心经典线，皮料和工艺延续品牌一贯标准，但原价定位较高，性价比争议主要集中在：同等穿着舒适度下国内外价差明显，介意价差的买家可关注官方折扣渠道或海外代购。
Vara 系列以标志性蝴蝶结装饰和粗跟设计为核心，属于 Ferragamo 长青经典款，款式辨识度高但风格较为正式传统，不适合偏好低调或现代简约风格的买家。
Ferragamo 鞋楦偏窄，脚背高或宽脚型用户建议到实体店试穿，或考虑选大半码，否则长时间穿着前掌易感压迫。
Vara 蝴蝶结粗跟鞋属于典礼/宴会场景专属款，日常通勤或非正式场合搭配难度较高，购买前需确认自身出席正式场合的频次是否足以支撑其定价。
还有 40 条时间轴事件
全部知识事实 (20)
传统RAG的流程是单向固定的一次性流程，而Agentic RAG是循环迭代的多步执行流程
95%待验证OpenClaw的记忆检索本质上是RAG（检索增强生成），将记忆文件切成Chunk，通过字面匹配和语义Embedding的加权相似度排序，取Top-K结果返回给语言模型
90%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
90%待验证Mem0和Letta是共享记忆工具，本质上是把项目摘要存到知识库里，通过RAG在新session中brief项目记忆
90%待验证LangChain在1.0中将RAG也封装为Agent，体现了以Agent为中心的设计理念
85%待验证Consensus、Semantic Scholar、Elicit等工具通过RAG技术将大语言模型与真实学术数据库连接，能够基于用户提问检索真实论文
85%待验证RAG适合知识密集型、需要频繁更新的场景，微调适合需要改变模型行为模式和风格适配的场景
80%待验证多语种衍生策略是将用户问题翻译成多种语言分别检索，可以大幅提升召回率
80%已验证RAG的概念最早由Meta AI（原Facebook AI Research）在2020年的论文中正式提出
80%已验证检索增强生成（RAG）由Meta AI在2020年提出
80%已验证RAG的技术演进经历了三个阶段：Naive RAG、Advanced RAG和Modular RAG
80%已验证RAG（检索增强生成）是目前企业级AI应用中最主流的技术方案之一
80%已验证RAG（检索增强生成）的核心思想是在大模型生成回答之前，先从外部知识库中检索相关文档片段作为上下文注入Prompt
80%待验证现代智能体的四大核心技术组件包括大语言模型、工具调用、记忆系统和检索增强生成（RAG）
75%已验证Claude Code通过智能索引和检索增强生成（RAG）技术动态加载相关文件到上下文中
75%待验证在RAG实际工程中，通常先召回Top-50到Top-100的候选文档，再通过Reranker精排后取Top-5到Top-10注入上下文
75%待验证角色化插件的核心技术实现是将Prompt Engineering、RAG和Agent工作流封装为标准化的可安装包
70%已验证RAGFlow是一款开源的RAG引擎，提供完整的知识库管理和智能问答功能
70%已验证Dify内置了RAG（检索增强生成）引擎、Agent框架和工作流编排器
70%待验证法律合同审查AI工具通常采用RAG（检索增强生成）技术将最新法律法规作为外部知识库实时检索
70%