qingni

RAG 的最后一公里，不是让模型回答出来，而是把流式输出、来源引用、历史记录和生成体验做成真正可用的产品层。本文结合项目实践，讲清楚生成模块怎么做工程化设计。

RAG 检索不能只靠向量 topK，真正决定效果的是召回、融合、精排和查询增强这整条链路。本文结合项目实践，讲清楚混合检索系统怎么做工程化设计。

很多 RAG 项目把向量索引理解成“把向量写进库里”，但真正难的是 Collection 怎么划分、索引算法怎么选、稠密和稀疏向量怎么共存、后续怎么管理和演进。本文结合开源项目实践，系统拆解 RAG

很多 RAG 项目把向量化理解成“选个模型调一下 API”，但真实工程里，模型选型、批量处理、失败重试、结果持久化、进度反馈和历史复用才是关键。本文结合开源项目实践，系统拆解 RAG 向量化模块的工程

很多 RAG 项目把分块简化成 chunk_size + overlap，但真正影响检索质量的，往往是分块策略本身。本文结合开源项目实践，系统拆解 6 种分块策略、智能推荐、参数调优、结果预览与版本管

RAG 的第一步不是 Embedding，而是高质量文档解析。本文结合开源项目实践，拆解 20+ 格式文档加载、Docling + fallback、异步任务与结果持久化设计。