深入浅出RAG

系统讲解 Self-RAG、CRAG、HyDE、RAPTOR 和 Fusion Retrieval 五种高级 RAG 模式的核心思想、TypeScript 实现与适用场景，并给出模式组合与选型的决策框

以数据驱动的实验方法对 RAG 系统进行端到端性能调优，覆盖 Chunk 策略、Top-K、Embedding 模型和检索策略的联合优化，并以 RAGAS 指标量化每次改进的效果。

建立 RAG 系统的双维度评估框架，覆盖检索质量与生成质量的量化指标，详解 RAGAS 评估框架的使用方法，并指导读者构建黄金标准问答数据集用于持续评估。

讲解 RAG 场景下 Prompt 的设计方法，剖析 Stuff、Map-Reduce、Refine 三种上下文组装策略的取舍，并给出多轮对话中的 Token 预算分配与文档摆放方案，让检索结果真正

讲解检索结果的后处理三件套：重排序、上下文压缩和分数阈值过滤，深入 Bi-Encoder 与 Cross-Encoder 的架构差异，并通过 代码演示 Reranker前后效果对比。

深入解析稠密检索的局限与稀疏检索的互补价值，系统讲解混合检索、Multi-Query、MMR 多样性保证和 Metadata Filter 四种进阶检索策略，并提供 TypeScript 完整实现代码

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。