什么是知识截止期？

每个LLM都有一个训练数据的截止日期。在这之后发生的事情，模型在预训练时根本没有接触过，因此它的"内部知识"中没有这些信息。

模型	大致知识截止期
GPT-4 (初代)	2021年
GPT-4 Turbo	2023年初
Claude 3.5 Sonnet	2024年
Llama 3.1 70B	2023年
Qwen2.5 72B	2024年2月
以各厂商最新公告为准	动态更新

为什么它很重要？

1. 直接影响回答准确性：问2025年之后的事件，模型要么编造（幻觉）要么说"我不知道"
2. 系统设计关键决策：是否需要RAG联网搜索取决于你的用户会问什么时效性问题
3. 用户预期管理：需要在产品层面告知用户模型的"知识范围"

工程解决方案

# 方案1：RAG检索增强（最常用）
def answer_with_rag(question):
    recent_docs = search_recent_knowledge_base(question)
    if recent_docs:
        return llm.generate(f"根据最新资料回答: {question}

参考资料:
{recent_docs}")
    else:
        return llm.generate(question)  # fallback to base model

三种处理策略

策略	适用场景	优点	缺点
RAG联网搜索	新闻、体育比分、股票价格	实时性强	延迟增加、检索质量依赖
定期重新训练/增量训练	核心知识库持续更新	知识深度好	成本高、需要基础设施
诚实声明+降级	无RAG能力的简单场景	不会误导用户	用户体验差

面试话术

"知识截止期是每个LLM产品的硬性约束。在我们的产品架构中，系统提示词会明确标注模型的知识范围，对时效性问题路由到RAG检索——优先查企业知识库，其次调用搜索引擎API。如果两者都没有相关内容，模型会明确说'这个问题超出了我的知识范围'，而不是猜测。这种透明处理方式减少了70%以上的因信息过期导致的投诉。"

---