参考资料

• LangChain Retrieval
• Milvus 文档

RAG（02） - RAG 离线建库：解析、切分、向量化与索引

读完后，你应能：

• 能验证“RAG 的离线链路负责把原始资料变成可检索索引，它不应该出现在每次问答请求里”，并保存输入、输出与失败样本。
• 能验证“稳定的顺序是：加载文档 → 清洗 → 切分 Chunk”，并保存输入、输出与失败样本。
• 能验证“→ 补充 Metadata → 计算 Embedding → 写入索引”，并保存输入、输出与失败样本。

RAG 的离线链路负责把原始资料变成可检索索引，它不应该出现在每次问答请求里。稳定的顺序是：加载文档 → 清洗 → 切分 Chunk → 补充 Metadata → 计算 Embedding → 写入索引。

flowchart LR
    D[文档与 ACL] --> P[解析和清洗]
    P --> C[结构化 Chunk]
    C --> E[批量 Embedding]
    E --> V[版本化 VectorDB]
    C --> X[ES BM25 索引]
    V --> A[数量/维度/ID 对账]
    X --> A
    A --> R[发布读版本]

一、先建立全局：RAG 离线建库：解析、切分、向量化与索引 是什么？

理解“RAG 离线建库：解析、切分、向量化与索引”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。

“RAG 离线建库：解析、切分、向量化与索引”的第一个核心判断是：生产系统通常使用 Embedding 服务和 Milvus、Elasticsearch 或 pgvector。。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。

顺序	章节	读完本节应抓住的结论
1	每一步保存什么	生产系统通常使用 Embedding 服务和 Milvus、Elasticsearch 或 pgvector。
2	可执行示例	把代码保存为 build_index.py 后执行 python build_index.py，会生成下一课可直接读取的
3	生产化检查	权限字段必须在入库时保存，检索前过滤，不能生成答案后再隐藏。
4	RAG 的离线链路负责把原始资料变成可检索索引	RAG 的离线链路负责把原始资料变成可检索索引，它不应该出现在每次问答请求里。
5	稳定的顺序是	稳定的顺序是：加载文档 → 清洗 → 切分 Chunk
6	补充 Metadata → 计算 Embedding → 写入索	补充 Metadata → 计算 Embedding → 写入索引。

1.1 核心对象之间怎样衔接

flowchart LR
  S1["每一步保存什么"] --> S2
  S2["可执行示例"] --> S3
  S3["生产化检查"] --> S4
  S4["RAG 的离线链路负责把原始资料变成可检索索引"] --> S5
  S5["稳定的顺序是"]

这张图只表达本文的讲解顺序，不替代正文机制。判断“RAG 离线建库：解析、切分、向量化与索引”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。

1.2 再看失败：问题最早会出现在哪一步？

在“RAG 离线建库：解析、切分、向量化与索引”的对象和顺序已经明确后，再看可观察的失败：解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。

二、每一步保存什么

阶段	核心产物	关键检查
解析	正文、标题、页码	是否丢表格、代码和层级
切分	可独立理解的 Chunk	是否在句子或函数中间断开
Metadata	来源、版本、权限	能否定位证据并做权限过滤
向量化	固定维度向量	文档与查询是否使用同一模型
索引	Chunk、向量、Metadata	新增、更新、删除能否同步

生产系统通常使用 Embedding 服务和 Milvus、Elasticsearch 或 pgvector。下面的纯 Python 示例用稳定哈希向量替代真实 Embedding，只用于跑通数据契约；它不是语义模型。

三、可执行示例

把代码保存为 build_index.py 后执行 python build_index.py，会生成下一课可直接读取的 rag-index.json。

# requirements.txt
# 本教学脚本仅使用 Python 3.10+ 标准库，无第三方依赖。

四、生产化检查

• 文档更新时按稳定 document_id 删除旧 Chunk，再写入新版本。
• 权限字段必须在入库时保存，检索前过滤，不能生成答案后再隐藏。
• 更换 Embedding 模型或维度时重建索引，不能混用新旧向量。
• 保存来源和页码，在线答案才能给出可核验引用。
• Embedding 选型用真实问题集比较 Recall@K、语言覆盖、最大长度、吞吐、维度、私有化能力和单 Chunk 成本。
• FAISS 适合单机验证，pgvector 适合数据规模可控且希望复用 PostgreSQL，Milvus 适合独立的大规模向量服务，Elasticsearch 适合统一混合检索；最终以过滤能力、运维能力和压测结果决定。

五、动手验证：先跑通 RAG 离线建库：解析、切分、向量化与索引，再改变一个变量

前面的章节已经建立问题、概念和机制。现在把“RAG 离线建库：解析、切分、向量化与索引”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。

5.1 基线与候选只允许一个变量不同

验证“RAG 离线建库：解析、切分、向量化与索引”时，先固定标注查询集、原文与 chunk 快照、Embedding 和索引版本、权限身份。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。

执行“RAG 离线建库：解析、切分、向量化与索引”时，动作是：依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成。原始结果不能只保留截图或汇总分数，必须同步保存：原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace，使下一次复查可以在同一输入上重放。

实验要素	本文要求
固定条件	标注查询集、原文与 chunk 快照、Embedding 和索引版本、权限身份
唯一变量	本次候选方案与基线之间的一项明确差异
原始证据	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
通过阈值	正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料
立即停止	解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论

5.2 执行前先排除不可比较条件

“RAG 离线建库：解析、切分、向量化与索引”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。

• 基线能够在“RAG 离线建库：解析、切分、向量化与索引”的当前环境重复运行。
• 候选只改变一个与“RAG 离线建库：解析、切分、向量化与索引”结论直接相关的条件。
• “RAG 离线建库：解析、切分、向量化与索引”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
• “RAG 离线建库：解析、切分、向量化与索引”的原始输出和失败现场不会被重试、格式化或汇总覆盖。

5.3 执行后先核对证据完整性

结果出来后先检查证据，再讨论“RAG 离线建库：解析、切分、向量化与索引”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。

检查项	当前文章的判定
输入可追溯	标注查询集、原文与 chunk 快照、Embedding 和索引版本、权限身份
过程可回放	依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成
结果可审计	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace

“RAG 离线建库：解析、切分、向量化与索引”的一次合格基线对照按以下顺序执行：

1. 保存“RAG 离线建库：解析、切分、向量化与索引”基线版本及输入摘要，确认基线本身可以重复运行。
2. 写下“RAG 离线建库：解析、切分、向量化与索引”候选方案唯一变化的变量，以及它预期影响的指标。
3. 在同一环境执行“RAG 离线建库：解析、切分、向量化与索引”：依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成。
4. 为“RAG 离线建库：解析、切分、向量化与索引”保存：原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace。
5. 使用“RAG 离线建库：解析、切分、向量化与索引”预登记条件判断：正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料。
6. 如果“RAG 离线建库：解析、切分、向量化与索引”未通过，不修改第二个变量，先恢复基线并保留失败现场。

六、用一张矩阵验证 RAG 离线建库：解析、切分、向量化与索引 的关键结论

矩阵按正文顺序列出“RAG 离线建库：解析、切分、向量化与索引”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。

正文章节	已解释的结论	本轮唯一变量	必须保存的证据
每一步保存什么	生产系统通常使用 Embedding 服务和 Milvus、Elasticsearch 或 pgvector。	只改变与“每一步保存什么”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
可执行示例	把代码保存为 build_index.py 后执行 python build_index.py，会生成下一课可直接读取的	只改变与“可执行示例”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
生产化检查	权限字段必须在入库时保存，检索前过滤，不能生成答案后再隐藏。	只改变与“生产化检查”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
RAG 的离线链路负责把原始资料变成可检索索引	RAG 的离线链路负责把原始资料变成可检索索引，它不应该出现在每次问答请求里。	只改变与“RAG 的离线链路负责把原始资料变成可检索索引”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
稳定的顺序是	稳定的顺序是：加载文档 → 清洗 → 切分 Chunk	只改变与“稳定的顺序是”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace
补充 Metadata → 计算 Embedding → 写入索	补充 Metadata → 计算 Embedding → 写入索引。	只改变与“补充 Metadata → 计算 Embedding → 写入索”相关的条件	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace

6.1 记录本次实际实验

下面的记录用于“RAG 离线建库：解析、切分、向量化与索引”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。

topic: "RAG 离线建库：解析、切分、向量化与索引"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "依次回放解析、切分、召回、过滤、重排、上下文组装和引用生成"
evidence: "原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace"
pass_when: "正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料"
stop_when: "解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure

6.2 边界实验必须证明能够停止和恢复

成功路径只能证明“RAG 离线建库：解析、切分、向量化与索引”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论，并观察系统是否在产生不可逆副作用前停止。

场景	只改变什么	应保存什么	通过标准
正常路径	使用已知有效输入	原文位置、各路候选、分数、过滤前后 Diff、Recall@K、NDCG、引用和 Trace	正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料
边界路径	把一个输入推进到约束临界值	临界值前后的输出与指标	不静默降级，不把部分结果冒充成功
明确失败	注入：解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论	原始错误、首个异常阶段和最终状态	失败被正确分类且没有扩大副作用
恢复重放	执行：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链	原失败样本的复测证据	原样本恢复，正常样本没有回归

恢复动作不是简单重启。对于“RAG 离线建库：解析、切分、向量化与索引”，第一步是：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。

“RAG 离线建库：解析、切分、向量化与索引”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。

七、RAG 离线建库：解析、切分、向量化与索引 的结果解释

解释“RAG 离线建库：解析、切分、向量化与索引”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。

观察结果	可以支持的判断	下一步
主链路没有达到预期	解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论	先执行：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链
异常链路无法恢复	解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论	先执行：在最早丢失正确证据的阶段停止，固定该阶段输入单独修复并重放全链
新样本成功但原样本仍失败	修复没有覆盖原始触发条件	固定原失败输入，恢复基线后重新比较
指标改善但证据无法回链	数据、版本或中间状态没有固定	暂停发布，补齐可追溯记录后重跑

“RAG 离线建库：解析、切分、向量化与索引”只有同时满足“正确证据可召回可回链，无答案时拒答，权限过滤不泄漏其他主体资料”，并且没有出现“解析丢内容、正确 chunk 未召回、过滤误删、重排掉出或引用不支持结论”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。

如果“RAG 离线建库：解析、切分、向量化与索引”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。

“RAG 离线建库：解析、切分、向量化与索引”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。

八、RAG 离线建库：解析、切分、向量化与索引 的发布判断

发布判断需要把“RAG 离线建库：解析、切分、向量化与索引”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。

• “RAG 离线建库：解析、切分、向量化与索引”的基线与候选只存在一个计划内变量。
• “RAG 离线建库：解析、切分、向量化与索引”的输入、代码、依赖、配置和数据版本可以追溯。
• “RAG 离线建库：解析、切分、向量化与索引”的正常、临界、失败和恢复样本使用同一套断言。
• “RAG 离线建库：解析、切分、向量化与索引”的原始输出、中间状态和失败现场已经保留。
• “RAG 离线建库：解析、切分、向量化与索引”的日志、Trace、截图和测试数据已经脱敏。
• “RAG 离线建库：解析、切分、向量化与索引”的停止条件、负责人和回滚入口已经演练。
• “RAG 离线建库：解析、切分、向量化与索引”尚未覆盖的输入、权限、容量和外部依赖已经登记。

最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“RAG 离线建库：解析、切分、向量化与索引”的判断，就不能发布。

九、总结

• 每一步保存什么：| 解析 | 正文、标题、页码 | 是否丢表格、代码和层级 |
• 生产化检查：权限字段必须在入库时保存，检索前过滤，不能生成答案后再隐藏。
• 工程边界：RAG 的离线链路负责把原始资料变成可检索索引，它不应该出现在每次问答请求里。
• 验证方式：FAISS 适合单机验证，pgvector 适合数据规模可控且希望复用 PostgreSQL，Milvus 适合独立的大规模向量服务，Elasticsearch 适合统一混合检索；