🔎 RAG 深入与知识工程
向量数据库选型
RAG 深入与知识工程专题：用 1 个核心问题讲清原理、取舍与落地。
一句话定位
切分、索引、混合召回、重排、高级 RAG 与端到端评测。 按“数据 → 索引 → 查询 → 召回 → 重排 → 生成 → 评测”定位问题，不把 RAG 当成单一向量搜索。
核心原理与问题解析
FAISS、Chroma、pgvector、Milvus 怎么选？
本地算法实验可用 FAISS，轻量原型可用 Chroma，已有 Postgres 且规模适中可用 pgvector，大规模独立向量服务可评估 Milvus。最终看数据量、过滤、更新、HA、团队运维和实测。
继续想： FAISS 为什么不等同完整数据库？；何时普通全文检索足够？
工程落地检查
- 文档保留来源、版本、时间和 ACL
- 检索层与生成层分开评测
- 从关键词+向量的简单基线开始
- 答案必须能定位到证据片段
- 索引迁移支持双写、双读和回滚
常见误区
- 盲目追求更大的 Chunk 或 Top-K
- 更换 Embedding 却不重建索引
- 只看回答流畅度，不测召回和忠实度
对应面试题
R08 FAISS、Chroma、pgvector、Milvus 怎么选？