02 篇导览：RAG 工程化

这一篇解决一个问题：让模型能回答「它没学过的事」，而且答得有据可查。

学完你能做什么

搭一套企业级知识库：把公司文档灌进去，用户用自然语言提问，系统返回带来源引用的答案，查不到就明确拒答。并且这套系统能增量更新、有评测集守着质量、成本可控。

前置要求

项	要求
已完成	01 篇 Spring AI 上手 全部课时
环境	Docker（PGVector / Milvus / Redis 一键起）
知识	理解 Token、上下文窗口、Embedding 的含义（见 00-05 术语表）

三子篇地图

子篇	章节	解决什么	学完的验收标准
02A 基础链路	01-07	文档怎么进来、怎么存	能把一份 PDF 灌进去并检索出来
02B 检索质量	08-13	搜得准不准	评测集召回率@k 明显提升
02C 生产化	14-22	能不能长期稳定跑	增量更新不重灌、成本可查、有回归测试

阅读路径建议

你的角色	建议
想快速跑通	02-01 → 02-03 → 02-04 → 02-06 → 02-09，其余按需查
要交付企业项目	全篇顺序读，重点看 02-07 元数据设计、02-12 多租户、02-17 评测
已有 RAG 但要提质量	直接看 02B 全篇（08-13）

一条贯穿全篇的判断：RAG 的质量瓶颈，80% 在「文档怎么切」和「元数据怎么设计」，不在「用哪个向量库」。很多人一上来纠结向量库选型，其实换库的收益远小于把切分做对。

对应 Demo

rag-enterprise-starter，docker compose up -d 一键起依赖。每章对应一个 git tag，命名规则 ch02-XX-xxx。