简单来说，Embedding 就是把人类的文字（词语、句子、甚至图像），翻译成计算机能懂的一长串数字（数组）。这串数字，在数学上就叫作“向量”。我们可以把向量在这个多维空间里想象成一个具体的“坐标”。语义相近的词（比如“高兴”和“开心”），它们在空间中的坐标离得非常近。语义无关的词（比如“高兴”和“水杯”），它们在空间中的坐标离得很远。我们不再匹配字面，而是匹配“意思”。这就是我们在 RAG 架构

受限于大语言模型（LLM）的上下文窗口限制（Token Limit），以及向量模型在长文本提取核心语义时的局限性，我们需要将长篇大论的长文档“切碎”，变成一段段独立且短小精悍的文本块。这就是文档分块（Chunking）。这就好比在图书馆里找资料，我们找的不是某一本书，而是书中对应具体知识点的那几页。如果说向量检索是“海选”，为了效率通常选出几十个候选者（如 Top 20）；那么重排就是“终面”。

受限于大语言模型（LLM）的上下文窗口限制（Token Limit），以及向量模型在长文本提取核心语义时的局限性，我们需要将长篇大论的长文档“切碎”，变成一段段独立且短小精悍的文本块。这就是文档分块（Chunking）。这就好比在图书馆里找资料，我们找的不是某一本书，而是书中对应具体知识点的那几页。如果说向量检索是“海选”，为了效率通常选出几十个候选者（如 Top 20）；那么重排就是“终面”。

RAG 就是给大模型装上了一个随时可以查阅的“外挂大脑”或“参考书”。没有 RAG（闭卷考试）：模型只能单纯依靠在预训练阶段死记硬背下来的知识（肚子里的墨水）来硬答。遇到没背过或者忘了的题，就只能瞎蒙。有了 RAG（开卷考试）：我们给大模型发了一本“参考书”（你的本地知识库）。当被问到问题时，它不再急着直接作答，而是先去书里查阅相关的资料，然后再结合查到的资料进行作答。这样一来，回答的准确率和时效

RAG 就是给大模型装上了一个随时可以查阅的“外挂大脑”或“参考书”。没有 RAG（闭卷考试）：模型只能单纯依靠在预训练阶段死记硬背下来的知识（肚子里的墨水）来硬答。遇到没背过或者忘了的题，就只能瞎蒙。有了 RAG（开卷考试）：我们给大模型发了一本“参考书”（你的本地知识库）。当被问到问题时，它不再急着直接作答，而是先去书里查阅相关的资料，然后再结合查到的资料进行作答。这样一来，回答的准确率和时效

代理模式（Proxy Pattern）是一种结构型设计模式，其核心思想是：为某个对象提供一个代理对象，由代理对象控制对原始对象的访问，从而在不修改原始类的前提下，增强其功能。把代理对象当作经纪人，把原始对象当明星，明星有完成演出的功能，经纪人负责在明星演出的前后做各种增强准备。客户端 ──► 代理对象（Proxy）──► 目标对象（Target）│增强逻辑（前置/后置/异常处理）IoC（Inver

事务（Transaction）是数据库管理系统执行过程中的一个逻辑单位，由一个有限的数据库操作序列构成。这些操作要么全部执行成功，要么全部不执行，不存在部分执行的情况。