01先说它解决什么THE PROBLEM
模型有两个天生的缺陷：知识停在训练那天，而且不认识你的私有资料。RAG（检索增强生成）就是给模型配一个"开卷考试"的机制——回答之前，先从你的资料库里翻出相关的几页，摊在模型面前，让它照着答。
在 F-001 的四级阶梯里，这是第二级：模型多了"读"的权力。听起来简单，但"翻出相关的几页"这个动作，是一条五个部件组成的流水线，每个部件都可能出错——这就是为什么 RAG demo 几分钟就能跑通，RAG 系统以月计也未必稳。
02五个部件，按资料流动的顺序FIVE PARTS
① 切分。把文档剁成小块（chunk）。剁太碎，一块里的信息不完整；剁太粗，一块里混进无关内容。很多"答非所问"的根子在这一刀。
② 向量化。把每一块变成一串数字（embedding），语义相近的块数字也相近。这一步决定了系统"觉得什么和什么像"——它对专业术语、缩写、中英混排的理解，全看向量模型的水平。
③ 存储。把向量放进向量库，让"找相近"这个动作在百万块里也够快。这是五个部件里最不容易出问题的一个——也是最被过度关注的一个。
④ 检索与重排。问题来了，先把问题也向量化，捞出最相近的若干块（检索），再用更细的模型把捞出来的重新排序（重排），把真正相关的顶上去。质量的大头在这里。
⑤ 组装与生成。把排好序的块和问题拼成提示词，交给模型生成答案，并要求它标注引用了哪块。答案的"忠实度"——是照资料说的，还是自己编的——在这一步定型。
03坏答案怎么定位DEBUGGING
系统答错了，别急着换模型。沿流水线倒着查，三个问题就能定位：
资料里到底有没有答案？没有——这不是 RAG 的错，是知识库缺料，任何部件都救不了。有，但没被捞出来？问题在①②④：切分把答案剁散了、向量模型不理解你的行话、或者检索排序把它埋在了后面。捞出来了，但答错了？问题在⑤：上下文太乱模型没看懂，或者模型无视资料自己发挥——后者要靠强制引用和"资料里没有就说没有"的指令来治。
这套排查法的价值在于：它把"AI 不准"这个玄学抱怨，变成了五个可以逐个检查的工程问题。
04部件之前的功课BEFORE THE PARTS
注意：五个部件全部装好，也只解决了"找得准"。它们完全不回答另一组问题——这份资料是最新版吗？谁有权看它？它能不能被引用到对外场合？答错了谁负责？
这组问题必须在资料进入流水线之前回答：来源登记、权限分级、版本规则、证据结构、审核流程。先有知识的秩序，再有检索的技术——顺序反了，检索只会把混乱更快地端到用户面前。这个判断的完整展开，见 N-002 私有知识系统先于 RAG——读完本页再读它，你会看懂它每一段在说流水线的哪个位置之外的事。
05常见误区PITFALLS
把向量库当成 RAG 本身。它只是部件③，而且是最成熟、最不需要操心的一个。选型讨论常年聚焦在这里，纯属声量错位。
把"能检索"当成"有知识系统"。检索是技术能力，知识系统是管理秩序——来源、权限、版本、审核。前者很快能搭好，后者才是长期工程。
用一次惊艳的问答验收系统。单次效果好证明不了什么。像样的验收要一组固定问题、对照标准答案、每次改动后重跑——这已经是评测思维了，正好是下一份底稿 F-003 的主题。
06连回判断TO THE NOTES
部件之上的秩序问题，见 N-002 私有知识先于 RAG；知识库作为业务 Agent 的一环怎么管，见 P-002 Business Agent Workflow；把"知识有没有资格进系统"做成方法论，见 P-003 OPALL Knowledge System。
07自测清单SELF CHECK
- 能按资料流动顺序说出五个部件吗？
- 拿到一个坏答案，知道用哪三个问题定位吗？
- 能解释切分的粗细各会导致什么症状吗？
- 能说清"找得准"和"有秩序"是两件事吗？
- 知道为什么单次惊艳的问答不能当验收吗？