中篇导读：给 AI 接上你的知识
上篇讲清了大模型怎么炼成：它读遍了互联网，知识渊博、能说会道。但你真正用起来，很快会撞上三堵墙：
- 你问它「我们公司的报销上限是多少」——它不知道，因为你公司的手册不在它的训练数据里；
- 你问它「这周的发布会定在哪天」——它不知道，因为它的知识停在训练截止那一刻；
- 你问它一个具体条款——它答得煞有介事，数字却是编的（上篇 5.6 节的幻觉）。
这三堵墙，本质是同一个问题：模型的知识是「闭卷」的——全靠训练时背下来的，既不含你的私事，也不含最新的事，记混了还会硬编。
中篇讲的 RAG（检索增强生成），就是把闭卷考试改成开卷考试：回答前，先从你自己的资料库里查出相关内容，摆在模型面前，让它照着答、答必有据。这一篇拆开这个「外挂大脑」的每一个零件——从「怎么按意思找资料」到「怎么让答案有出处、可信、能评测」。
三部曲里的位置
RAG 是从「一个只会聊天的模型」通向「一个能用上你私有知识、还能自主行动的智能体」的必经之路——下篇 A3.3 的 Agentic RAG 就是本篇的高阶形态。
你需要什么基础
中篇尽量自足，但有两个上篇概念会反复用到，建议先扫一眼：
照例双轨阅读：正文人人能读，公式和工程细节折叠在「🔬 深入一层」，右下角按钮一键切换。
🔴 部分实验支持「真实模式」
K1 语义搜索台和 K5 RAG 全流程这两个实验，除了预录的示意数据，还能填入你自己的模型服务（兼容 OpenAI 协议：OpenAI、通义 DashScope、本地 Ollama/vLLM 等），用真的向量检索、真的生成跑一遍——随便输一句话，看真实的语义排名和带引用的答案。你的 Key 只存在自己浏览器里、直连你填的服务，本站无后端、不经手它。不填也能完整玩所有实验，真实模式纯属加餐。
课程地图
| 章 | 主题 | 状态 |
|---|---|---|
| K0 · 为什么需要外挂大脑 | 模型三大先天缺陷；RAG = 开卷考试 | ✅ |
| K1 · 语义检索 | 把「意思」变成坐标，按意思找资料 | ✅ |
| K2 · 切块的艺术 | 文档怎么切，决定检索准不准 | ✅ |
| K3 · 三种找法 | 关键词 vs 向量 vs 混合检索 | ✅ |
| K4 · 重排 | 把最该看的顶上来 | ✅ |
| K5 · 生成与引用 | 让答案有据可查 | ✅ |
| K6 · 评测 | RAG 三元组与三大失败模式 | ✅ |
| K7 · 进阶与前沿 | GraphRAG、Agentic RAG、RAG vs 长上下文 | ✅ |
| K8 · 上生产 | 权限、更新与重建、文档投毒——交给真实用户之后的三道坎 | ✅ |
| 附录 · 实战路线 | 100 行搭一个 RAG；向量库地图；避坑清单 | ✅ |
准备好了吗？从 K0 · 为什么需要外挂大脑 出发 📚