rag搭建，是如何进行向量匹配检索的？

RAG 里为什么要“向量检索”？

在 Retrieval-Augmented Generation (RAG) 中，我们的目标是让 LLM 能够“回答它本身不知道的内容”。做法是：

1. 将知识（文本）进行向量化，存入向量数据库；
2. 用户提问后，也将问题向量化；
3. 去数据库里 找出与这个问题最相似的一批知识，返回喂给 LLM。

向量匹配检索：原理解析

第一步：构建向量数据库（也叫“知识库”）

比如你有一大段文档，做法是：

1. 切分成 chunk（段落），如每 300 字为一个段；
2. 每个 chunk 用 Embedding 模型（如 OpenAI 的 text-embedding-ada-002 或 BGE） 转成一个向量：

   "向量" = 文本的语义表示，一个高维空间中的点。
   

3. 把每个向量连带元信息&#x