在所需信息广为人知、相对静态或受益于综合通用概念的场景中，依赖大型语言模型的参数知识更为可取。这种方法避免了外部检索带来的延迟和复杂性，非常适合那些不需要实时或特定领域数据的直观查询。例如，回答常见的实事问题（如“法国的首都是什么？”）或解释基本概念（如“光合作用是如何进行的？”）都可以通过模型的内部知识高效处理。在这种情况下，检索是不必要的，因为答案不太可能改变，并且在训练数据中得到了充分的体现。
有三种关键场景更倾向于使用参数知识。首先，无需定制或最新上下文的简单事实性查询——如历史日期或科学原理——最好由大型语言模型直接回答。其次，当查询需要综合通用知识时（例如，“解释第一次世界大战的起因”），大型语言模型可以在不需要外部文档的情况下连贯地组合多个事实。第三，对于低延迟的应用（如聊天机器人），避免对外部数据库进行 API 调用可以提高响应速度。例如，用户询问“牛顿第一定律是什么？”时，无需进行网络搜索；大型语言模型可以使用其训练数据即时准确地回答。
检测这些场景涉及分析查询意图和内容。技术包括：
- 关键词检查：识别“什么是什么”、“解释”、“定义”等术语，这些通常表明需要通用知识。
- 复杂度评估：简单、简短的查询（例如，“《哈姆雷特》是谁写的？”）很可能可以通过参数知识解决。
- 数据新鲜度：如果查询不需要最新信息（例如，“当前股价”），参数知识就足够了。
- 置信度评分：大型语言模型可以自我评估其答案是否可靠（例如，“我相信巴黎是法国的首都”）或不确定（例如，“截至2023年……”）。开发者可以实现基于规则的过滤器或训练分类器来自动化此检测，在标准匹配时优先使用参数响应。这平衡了效率和准确性，同时最大程度地减少了不必要的外部调用。
