你一定见过这样的场面：把公司三百页的产品手册扔给大模型，问一个手册里明明写着的参数，它一本正经地答错，还答得特别流畅。这不怪模型——你等于让一个没看过手册的人闭卷考试，他只能凭“印象”作答，而他的印象来自互联网语料，不来自你的手册。RAG 干的事，就是把闭卷考试改成开卷考试：答题前先翻书，把翻到的那几页夹在题目旁边一起递给模型。这条“翻书”的链路，是你日常工作里绕不开的基础设施——今天几乎所有企业知识库问答、智能客服、文档助手，底下都是同一条流水线。本文我会从“文档怎么切”说起，逐步深入到“向量怎么存、怎么召回、怎么重排”，其中会重点介绍那几处决定答案质量、但九成使用者从没读过的字符串处理细节。这条流水线有七个环节，环环相扣，有一定长度。不过别有压力——每个环节单独看都不难，难的只是把它们串成一条完整的因果链。请放松心情，一步一个脚印，我们一节一节往下走。1. 先让模型闭卷考一次：RAG 到底要解决什么先不给定义，看看如下范例。我在一个没挂任何知识库的裸 LLM 应用里问：“MaxKB 的Embedding表里search_vector字段是干什么的？”执行起来，看一看结果：「search_vector 字段用于存储文档的向量表示，通常是一个高维浮点数组， 由 embedding 模型生成，用于后续的相似度计算……」回答流畅、术语正确、逻辑自洽——但是错的。search_vector存的不是向量，是 PostgreSQL