第4章 RAG 检索增强生成全链路架构“RAG 不是给大模型外挂一个数据库，而是让大模型参加一场’开卷考试’——考场里的参考书怎么编排、怎么翻、怎么摘抄、怎么验算，才是 RAG 架构师真正的功力所在。”“Embedding 的本质，是把人类语言的语义压进一根高维坐标系——相似的含义在空间里比邻而居，不同的含义在空间里分道扬镳。这不是魔法，这是几何。”章首导读在 AI Agent 的技术栈中，如果说大模型是"大脑"，工具调用是"双手"，那么 RAG（Retrieval-Augmented Generation，检索增强生成）就是大模型的"图书馆检索系统"与"开卷考场"。任何一个严肃的企业级 AI Agent 应用，几乎都绕不开 RAG——因为大模型的参数化知识存在时效性盲区、长尾知识盲区、私有知识盲区，而 RAG 恰恰是补上这些盲区最经济、最可控、最工程化的手段。本章将从最底层的 Embedding 原理出发，一路向上覆盖文本分块、向量索引、混合检索、重排序、查询改写、上下文组装、RAG 评估，直到 GraphRAG 与知识图谱融合的前沿话题。我们不仅讲"是什么"，更讲"为什么"和"怎么踩坑"。对于应用架构师和 CTO 而言，RAG 全链路的每一个环节都是面试中的高频考点，也是生产环境中决定系统成败的关键细节。本章你将获得：