0. 上下文衔接Day 8 完成了 RAG 离线建库的基础四步：文档加载 → 智能分块 → BGE-M3 向量化 → Milvus/Universe 建库。今天在此基础上做五层优化，把 RAG 从"能用"推进到"好用"：上下文增强 Step 2.5：分块后、向量化前，让大模型给每个 chunk 补一句全局上下文描述，解决孤立块语义残缺的问题并发控制 Semaphore：批量调用大模型时限制并发数，防止 API 限流混合检索 Hybrid Search：稠密向量 + 稀疏向量两路召回，取长补短Reranker 重排序：CrossEncoder 对粗排结果精排，提升相关性意图分类器：三层分类策略，判断通用 vs 专业问题，没必要检索的就不检索Day 10+ 在线查询Day 9 五层优化Day 8 基础建库专业问题通用问题1 文档加载2 智能分块3 BGE-M3向量化4 向量数据库建库2.5 上下文增强大模型生成chunk描述Semaphore并发控制混合检索稠密+稀疏两路召回RRF/加权融合Reranker重排CrossEncoder精排Top-12 → Top-3意图分类器三层分类策略MiniLM-L6-v2retrieve流水线封装用户问题LLM生成带引用答案1. 上下文增强 Step 2.5：解决孤立块语义残缺1.1 问题背景分块后每个 chunk 是独立的，但实际文档是有上下文的。比如一个讲 Spring IOC 的文档，某个 chunk 里只写了"降低类之间的耦合度"——没有主语，向量模型根本不知道这在说 Spring。用户搜"Spring IOC 的作用"时，这个块因为缺主语可能匹配不上。这就是上下文增强要解决的问题：给每个 chunk 补上它在全文中的定位和作用描述，让向量更准确。原始chunk降低类之间的耦合度...向量空间位置模糊不知道在讲什么