RAG 快速回查

这个页面只负责"快速查到"。它不承担首页分流，也不负责顺序教学；它只服务于术语回查、参数确认、问题定位和从概念反查代码。

标签：术语回查 | 参数速查 | 问题定位 | 代码反查

这页负责快速回查，不负责第一次顺序学习。 如果你是第一次系统学习，请先进入课程路线图。

适合任务

复习时回查术语、做项目时确认参数、从问题反查对应页面和代码。

按主题查

主题	内容	对应页面
Embedding / 向量 / 余弦相似度	概念原理、维度含义、为什么余弦更适合语义检索	概念手册 · 向量与检索
Chunking / overlap / 分块边界	为什么分块决定上限，以及 V2 代码里三种分块策略的行为差异	代码讲解 V1V2
Recall@K / MRR / 黄金数据集	做优化前先定义尺子，避免"凭感觉优化"	工程方法论手册
混合检索 / Reranking / GraphRAG	生产级增强策略、适用边界和扩展方向	理解 RAG · Ep3

按问题查

为什么用余弦相似度而不是欧氏距离 → 概念手册 · 向量与检索
chunk 多大合适，overlap 取多少 → 代码讲解 V2
为什么 Demo 能跑但系统不好用 → 工程方法论手册 · 失败模式
什么时候该用 RAG，什么时候不该用 → 工程方法论手册 · 方案边界
RAG 全链路有哪些模块 → 知识地图
RAG 和微调到底怎么分工 → 工程方法论手册 · 方案边界

标准知识对象

Embedding

一句话定义：把文本映射成向量表示，让"语义接近"可以被检索系统计算。

适用任务：理解语义检索、解释向量召回、选 embedding 模型。
常见误区：误以为每一维都有可解释的人类含义。
实践建议：先理解余弦相似度，再看模型排行榜。
相关代码：01_v1_最小RAG循环.py 的 embedding 与相似度计算。

Chunk / Overlap

一句话定义：把文档切成可检索的信息单元，并用 overlap 降低边界切断带来的语义损失。

适用任务：调召回、解释分块策略、比较 chunking 方案。
常见误区：一味追求块越小越准，忽略语义完整性。
实践建议：先用 200-500 字符、10%-20% overlap 作为基线。
相关代码：02_v2_文档分块策略.py。

Recall / MRR

一句话定义：用来判断检索有没有把正确内容找回来，以及把正确结果排在了多靠前的位置。

适用任务：建立 Golden Dataset、验证召回优化是否有效。
常见误区：只看最终答案，不看检索层指标。
实践建议：先定义标准问答集，再比较策略差异。
相关代码：03_v3.5_黄金数据集.py。

Reranking

一句话定义：在粗召回后的候选结果上做精排序，用更高的相关性换取额外延迟。

适用任务：候选里已有"差不多相关"的片段，但排序不够准。
常见误区：把 reranker 当成解决所有检索问题的万能补丁。
实践建议：先确认召回已包含正确候选，再加 reranker。

按场景查

学习首轮（从零理解）

先看课程路线图建立顺序感
再读概念手册理解 embedding / 检索
接着跑 V1 / V2 代码

项目调优（发现效果不好）

先看失败模式，判断问题出在召回还是生成
再回查 chunk / rerank / 评估指标
最后设计 Golden Dataset 做验证

方案说明（售前 / 面试 / 讲解）

用工程方法论手册解释原理、边界和典型架构
用知识地图展示流程
用工程手册说明落地方法

术语表与参数速查

术语表

词条	一句话定义	建议回看
Embedding	把文本转成高维向量，使语义相近的内容在向量空间里更接近。	概念手册 · 向量与检索
Chunk	文档切分后的最小检索单元，太碎会丢语义，太大则噪声多。	代码讲解 V2
Reranking	在粗召回候选集上做精排序，用精度换取额外延迟。	理解 RAG · Ep3
Recall@K	相关内容有没有被找回来，衡量"找全不找全"。	工程方法论手册

参数速查表

参数 / 决策	建议基线	备注
chunk size	200-500 字符	技术文档优先保证句子或段落完整。
overlap	10%-20%	用于保住块边界的信息。
Top-K	5-10	过低会漏召回，过高会给 LLM 带来噪声。
何时加 Reranker	召回对了但排序不准时	典型生产增强项。
何时做混合检索	关键词、编号、自然语言同时重要时	如条款号、产品代码、FAQ 混合场景。

建议把本页作为浏览器固定书签；学习走路线图，回查走这里。