深入浅出RAG

系统梳理 RAG 技术的内在局限与常见失败模式，包括检索失败、知识冲突、幻觉残留、多跳推理困境、长尾覆盖不足和成本延迟权衡，帮助读者在实战中识别边界、做出合理的技术预期。

串联前五章的知识，用 TypeScript 和 LangChain 构建首条完整的 RAG 流水线，涵盖索引管道与检索-生成管道的全链路实现，并与无 RAG 的纯 LLM 调用做效果对比。

基于前六章的知识，从零构建一个完整的文档问答机器人，涵盖 CLI 工具和 REST API 两种交互形态，并实现多轮对话上下文管理，让读者拥有第一个可运行、可演示的 RAG 应用。

深入讲解文档切分的核心原理与四种主流策略，包括固定大小切分、递归字符切分、语义切分和基于结构的切分，结合 TypeScript 代码对比不同参数的实际效果，帮助读者找到最适合业务场景的切分方案。

讲解企业文档常见格式的解析策略，深入 LangChain 文档加载器体系，演示如何从 PDF、Markdown、CSV 等格式中提取结构化文档对象，并实现自定义加载器从 REST API 拉取数据。

讲解向量数据库如何解决大规模向量检索的效率问题，深入近似最近邻搜索原理，对比 Pinecone、Chroma、Qdrant 等主流方案，并通过 TypeScript 代码演示索引创建与相似度搜索。

深入讲解文本嵌入的数学直觉与工作原理，涵盖余弦相似度等核心度量方式，对比主流 Embedding 模型选型要素，并通过 TypeScript 代码演示向量生成与语义相似度计算。

从大语言模型的固有局限出发，深入讲解RAG的核心思想、经典工作流、与微调的本质区别，以及适用与不适用场景，为后续章节的系统学习奠定认知基础。

本专栏的导读，阐述为啥要学习RAG技术，并帮助你了解RAG技术的学习路径、章节结构和适合的阅读方式，为后续系统学习做好准备。