第 04 课：用一次图书馆问答理解 RAG

先把框架和代码放一边。现在你面前只有一个问题：“二〇二六年十月十八日，图书馆开门吗？”还有资料包里的几张规则卡。把这个问题答清楚，就能走完一次 RAG 的主要流程。

先找哪张卡

A 的标题是开放时间，很容易先看到它。D 是临时闭馆公告，里面有问题所问的日期。这次需要把 D 找出来；如果还想解释与平常有什么不同，再带上 A。借阅数量 B 与这个问题无关，暂时用不上。

这一步叫 Retrieval，检索。它的工作是从一批资料中找候选，找到以后还要读内容。标题很像、分数很高，都不能代替“这段到底有没有回答我的问题”。

把问题、A 和 D 一起放进输入，再加一句要求：“根据这些资料回答，结论旁注明编号；没写的不要猜。”模型现在能看见特殊日期通知，不必只凭训练中记住的常识回答。

这就是 Augmented，增强：给这次回答补上可用的证据。增强发生在上下文里，通常没有重新训练模型。资料多到放不下时，就更需要前面的检索来筛选。

最后是 Generation，生成。模型把资料组织成回答：“十月十八日全天闭馆，进行设备维护［D］；普通周日通常九点到十七点开放［A］。”人要回头核对两个引用，看看是不是分别支持这两句话。

我们能直接拿到 A、D，是因为资料包已经整理好了。实际文档可能散在 PDF、网页和手册里，先要收集、核对、切成合适片段，再建索引，方便下次查找。这部分通常在提问之前完成，不必每问一次就重做全部整理。

把两条线记下来：准备时是“文档 → 片段 → 索引”；回答时是“问题 → 相关片段 → 带资料的输入 → 答案”。向量搜索是一种找片段的办法，关键词也可以用，RAG 没有规定必须从某个工具开始。

抄下 A 至 E，再问“现在最多借几本”。挑出你认为需要的卡，在旁边写选择理由，然后写答案。每句事实能在卡上找到吗？如果没有，看看是漏拿资料，还是你自己补了原文没说的内容。

这次应该拿哪张

当前上限依据 B，是三本。E 的两本属于已被替代的历史规则，不能作为当前答案。手动挑卡是在模拟检索；想理解流程，到这一步已经够用了，暂时不用安装向量数据库。