RAG

Advanced RAG 的本质，不是增加更多组件，而是让 Retrieval 从“单次相似度搜索”演变成一个多阶段、可控制、可评估的知识检索系统。

Chunking 位于Document Processing 和 Retrieval 之间的关键边界。

Embedding = 把文本、代码、图片等非结构化信息映射到一个具有语义结构的高维向量空间，使机器可以通过数学距离判断“语义是否相似”。

RAG = 先从外部知识库找到相关资料，再把资料交给大模型，让大模型基于这些资料回答问题。

Reranking 的本质，就是在第一阶段高召回 Retrieval 的基础上，对候选文档进行更加精细的相关性判断

给定一个 Query，从大规模知识集合中召回最可能与 Query 相关的信息，并在有限的延迟、计算和 Context Window 内，为下游 LLM 提供最高价值的证据。

Vector Database（向量数据库）是现代 AI 应用基础设施的重要组成部分。随着 Large Language Model（LLM）、RAG（Retrieval-Augmented Generation）、Semantic Search、Recommendation System 和 AI Agent 的快速发展，传统关系型数据库基于精确匹配的查询方式已经难以满足“语义相似性检索”的需求。向量数据库解决的核心问题并不是简单地“存储向量”，而是在高维向量空间中，对海量数据进行高效的近似最近邻搜索（Approximate Nearest Neighbor，ANN）。