Ch02: 阅读路线图与前置知识

Part 1: 导读总纲 前置章节：Ch01: 为什么需要 RAG——当大模型开始”说谎” 后续章节：Ch03: RAG 技术演进——从朴素管线到 Agent 自主检索

这本导读有 15 章、约 19 万字符。如果从头到尾顺序读完，需要三四周。但大多数读者不需要、也不应该这样做。本章的任务是：帮你选一条适合自己的路线，检查一下前置知识是否就位，然后用最短的时间进入正题。

结论先行：你只需要做三件事——选路线、查清单、开始读。

一、三条阅读路径：选对路线比读得快更重要

想象你要从北京去上海。你可以坐高铁（4.5 小时直达），可以自驾走高速（边走边看沿途城市），也可以坐绿皮火车慢慢晃（把每一站都逛一遍）。这三种方式没有高下之分，只取决于你的目的：赶时间交付、按需实践、还是系统学习。

本导读同样提供三条路线。它们覆盖的章节不同、节奏不同、适合的人也不同。

路线 A：竞赛路径（1 周冲刺）

适合谁：正在准备犀牛鸟 2026 开源竞赛、以 WeKnora 为目标项目的同学。你的核心诉求是”用最短时间搞清楚 RAG 是什么、WeKnora 怎么贡献、如何评估效果”。

章节序列：Ch01 → Ch03 → Ch04 → Ch06 → Ch08 → Ch10 → Ch14

逐日安排：

跳过了什么：Ch02（本章，你正在读）、Ch05（文档解析——竞赛初期不需要深入）、Ch07（其他四个平台——竞赛聚焦 WeKnora 即可）、Ch09（选型与生产化——竞赛阶段用不到）。

关键提醒：这条路线跳过了 Ch05 文档解析，但 WeKnora 的一些贡献方向（比如 PDF 解析优化、表格抽取）需要 Ch05 的知识。如果你选了这类方向，请在 Day 4-5 之间补读 Ch05 的相关小节。

路线 B：全景学习路径（3 周系统学习）

适合谁：想系统性地理解 RAG 技术栈全貌的同学。你不赶时间，希望把每个环节都搞清楚，建立完整的知识体系。这也是最适合”第一次接触 RAG”的零基础读者的路线。

章节序列：Ch01 → Ch02 → Ch03 → Ch04 → Ch05 → Ch06 → Ch07 → Ch08 → Ch09 → Ch10 → Ch11 → Ch12 → Ch13 → Ch14 → Ch15（顺序通读）

逐周安排：

每日节奏建议：每天投入 1.5-2 小时，先读一个章节的主体内容，再回顾前一章的笔记。第 1 周结束时做一次小复盘：用自己的话画一张 RAG 管线的流程图，如果画不出来，说明需要回头补课。

这条路线的优势：知识点之间的关联会自然串起来。比如读完 Ch04（检索策略）再读 Ch05（文档解析），你会自然理解”为什么分块方式会影响检索质量”——这种跨章节的因果关系在跳读路线中容易丢失。

路线 C：生产实践路径（5 天密集）

适合谁：有一定工程基础的开发者，需要在一周内完成一个 RAG 系统的技术选型并推动落地。你关心的不是理论深度，而是”我明天要部署，该选哪个平台、怎么处理文档、怎么上生产”。

章节序列：Ch01 → Ch04 → Ch05 → Ch07 → Ch09

逐日安排：

跳过了什么：Ch03（技术演进——你需要的是实操而非历史）、Ch06（WeKnora 深度剖析——除非你选了 WeKnora）、Ch08（评估方法论——可以后补）、Ch10（竞赛路径——不参赛可跳过）。

关键提醒：如果你的生产场景涉及 WeKnora，请把 Day 4 的 Ch07 替换为 Ch06。

路线 D：进阶专题路径（1 周）

适合谁：已读完 Ch01–Ch06 或 Ch04，想深化 Graph RAG、Agentic 编排、多模态解析，或准备 WeKnora 解析/图谱/Agent 向 issue 的同学。

章节序列：Ch04 → Ch11 → Ch12 → Ch13 → Ch14（可选 Ch15 + AI 记忆导读 Ch06）

逐日安排：

路线 E：大师路径（30 天 · 主推荐）

适合谁：目标是从零到 能读 WeKnora 源码、能提 PR、能设计 RAG 系统——即本站默认路径。

等级序列（详见 guide/README · 大师成长路径）：

L6 架构师 14 天（Ch33–Ch47）

通关清单：Ch32 大师通关。

四条路线的选择速查

你的主要目标是什么？

├── 参加犀牛鸟竞赛
│   └── 路线 A：竞赛路径（1 周 + 动手日）
│       Ch01→Ch03→Ch04→Ch06→Ch08→Ch10→Ch14
│
├── 系统学习 RAG 技术
│   └── 路线 B：全景学习路径（3–4 周）
│       Ch01 → Ch02 → ... → Ch15 顺序通读
│
├── 部署生产 RAG 系统
│   └── 路线 C：生产实践路径（5 天）
│       Ch01→Ch04→Ch05→Ch07→Ch09
│
└── 成为 RAG 大师（默认）
    └── 路线 E：大师路径（30 天 + 可选 L6）
        L0→L5 Ch01–Ch32 + 实战 + PR
        L6 +Ch33–47 架构师

选不出来？默认选路线 B。它最稳妥，而且读到任何一个节点都可以停下来，切换到路线 A 或路线 C。

二、前置知识检查清单：你需要带什么上路

在开始阅读之前，有几个基础概念需要确认你已经了解。这些概念会在后续章节中反复出现，如果你完全没接触过，建议先花几个小时补一下。如果你只是模糊地知道”好像有这么个东西”，其实就够了——后续章节会在用到时再展开解释。

这就像出门旅行前检查行李：护照、钱包、手机——不是每样都需要精通怎么用，但得确认带上了。

2.1 向量（Vector）

一句话说清楚：向量就是一组有序的数字，可以理解为一个点在多维空间中的坐标。

为什么 RAG 需要它：RAG 系统的核心能力是”找到和问题最相关的文档片段”。怎么找？先把每段文字变成一个向量（一组数字），再比较哪些向量和问题的向量”距离最近”。这就是向量检索。向量可以把”语义相似”这种模糊的人类直觉变成精确的数学计算。

你需要知道的程度：理解”向量就是一组数字”即可。不需要会手算矩阵乘法，不需要理解线性代数。

如果完全不了解：推荐看 3Blue1Brown 的《线性代数的本质》系列视频的前两集（”向量究竟是什么”和”线性组合、张成的空间与基”），中文字幕版在 B 站可以找到，总共约 30 分钟。

2.2 余弦相似度（Cosine Similarity）

一句话说清楚：余弦相似度衡量的是两个向量”方向”有多接近，而不关心它们的”长度”。

直觉：想象你站在原点，伸出两根手指分别指向两个方向。如果两根手指指向几乎相同的方向（夹角接近 0 度），余弦相似度接近 1，说明这两个向量非常”相似”；如果两根手指成 90 度，余弦相似度为 0，说明完全无关；如果两根手指方向相反（180 度），余弦相似度为 -1。

公式：

                    A · B           a1*b1 + a2*b2 + ... + an*bn
cos(theta) = ————————————— = ——————————————————————————————————————
               |A| * |B|       sqrt(a1^2+...+an^2) * sqrt(b1^2+...+bn^2)

分子是两个向量的点积（对应位置相乘再求和），分母是两个向量的长度之积。结果范围在 -1 到 1 之间。

为什么 RAG 用余弦而不是欧氏距离：因为文本的语义比较关心的是”方向”而非”大小”。一段长文本和一段短文本可能表达完全相同的意思，它们的 Embedding 向量长度不同，但方向一致。余弦相似度不受长度影响，正好适合这个场景。

如果完全不了解：回顾高中数学的”向量点积”部分，或者搜索”余弦相似度 直觉解释”，10 分钟的文章就能理解。

2.3 Embedding（文本嵌入）

一句话说清楚：Embedding 是把文本（词、句子、段落）转化成一个固定长度的向量的过程。

类比：想象你给每个城市分配一个 GPS 坐标。北京是 (39.9, 116.4)，上海是 (31.2, 121.5)，通过坐标就能算出两个城市的距离。Embedding 做的事情类似：它给每段文字分配一个”语义坐标”。意思接近的文本，坐标也接近。

具体来说：一个 Embedding 模型（比如 OpenAI 的 text-embedding-3-small）接收一段文字，输出一个 1536 维的向量。”今天天气真好”和”今日阳光明媚”会被映射到非常接近的位置，而”量子力学基本原理”会被映射到一个很远的位置。

为什么 RAG 离不开它：RAG 的检索阶段需要把用户的问题和知识库中的所有文档片段进行”语义匹配”。Embedding 就是把文字变成可以做数学计算的向量的那一步，没有它，语义检索无从谈起。

如果完全不了解：推荐阅读 Jay Alammar 的《The Illustrated Word2Vec》一文，中文翻译版搜索”图解 Word2Vec”即可。这篇文章用大量可视化解释了词向量的直觉，大约 30 分钟能读完。虽然 Word2Vec 已经不是最新技术，但核心直觉完全适用。

2.4 Transformer

一句话说清楚：Transformer 是当前几乎所有大语言模型（GPT、Claude、Llama 等）背后的神经网络架构。

你需要知道的程度：只需要知道”它存在”以及”它是大模型的底层架构”。本导读不会要求你理解 Attention 机制的数学推导或者 Multi-Head Attention 的实现细节。当后续章节提到”Transformer-based 模型”时，你只需要理解为”用当前主流架构训练出来的大模型”。

一个粗略的类比：如果大语言模型是一辆汽车，Transformer 就是发动机的类型（比如”涡轮增压发动机”）。你开车不需要知道发动机内部的每个零件怎么运转，但需要知道你的车用的是什么类型的发动机，这样在讨论性能、油耗、适用场景时才不会迷路。

如果想更深入了解：Jay Alammar 的《The Illustrated Transformer》是公认最佳入门材料，中文搜索”图解 Transformer”。但再次强调：读本导读不需要深入理解 Transformer 内部机制。

2.5 Python 基础

你需要的程度：能看懂伪代码和简短的 Python 代码片段即可。本导读中的代码示例主要用于说明概念（”这段代码在做什么”），而不是要求你从零写出来。

具体来说，你需要认识这些：

# 变量赋值和基本类型
text = "你好世界"
numbers = [1, 2, 3, 4, 5]
config = {"model": "gpt-4", "temperature": 0.7}

# 函数定义和调用
def search(query, top_k=5):
    results = retriever.search(query)
    return results[:top_k]

# 列表推导
chunks = [split(doc) for doc in documents]

# 基本的库导入
from langchain import VectorStore

如果你看到上面这些代码没有明显的不适感，Python 基础就够了。

如果完全不了解 Python：推荐先花 2-3 小时过一遍 Python 的基础语法。网上有大量”Python 30 分钟入门”类的教程，任选一个即可。本导读的代码示例不会超出入门教程的范围。

前置知识自检小测

回答以下 5 个问题，测试一下自己是否准备好了。不需要答得很精确，能说出大意就行。

Q1：一个 3 维向量 [1, 2, 3] 和一个 3 维向量 [2, 4, 6] 的方向相同吗？余弦相似度是多少？

Q2：Embedding 模型的输入是什么？输出是什么？

Q3：为什么两段意思相近的文本，用 Embedding 转化后的向量会”距离很近”？

Q4：Transformer 和 GPT 是什么关系？

Q5：看下面这段 Python 代码，说说它在做什么？

results = []
for chunk in chunks:
    score = cosine_similarity(query_vec, chunk.embedding)
    if score > 0.8:
        results.append(chunk)

评估标准：5 题中答对 3 题以上，可以直接开始阅读。答对 1-2 题，建议先补前面列出的推荐材料。0 题全不会，也没关系——回到每个概念的”如果完全不了解”部分，花半天时间集中补一下。

三、章节依赖关系：哪些章节必须按顺序读

不是所有章节都必须按顺序阅读。有些章节之间存在强依赖（不读前一章，后一章就看不懂），有些则相对独立。理解这些依赖关系，你就可以根据自己的需要灵活组合。

核心依赖链

本导读中有一条主干依赖链，后续章节的理解建立在前面章节的基础上：

Ch01（为什么需要 RAG）
  │
  ▼
Ch03（RAG 技术演进）     ← 需要 Ch01 的 RAG 基本概念
  │
  ▼
Ch04（检索三路军）       ← 需要 Ch03 的架构框架来定位检索在管线中的位置
  │
  ▼
Ch06（WeKnora 深度剖析） ← 需要 Ch03 的架构词汇 + Ch04 的检索概念

这条链是本导读的骨架。不管你选哪条路线，Ch01 → Ch03 → Ch04 这三章的顺序不要打乱。

相对独立的章节

以下章节只需要读过 Ch01（理解 RAG 是什么），就可以独立阅读：

Ch05 文档解析与分块：这章讨论的是 RAG 管线的”输入端”——怎么把原始文档变成可检索的片段。它和 Ch04（检索策略）是并行关系而非前后关系。你可以先读 Ch05 再读 Ch04，也可以反过来。

Ch08 评估方法论：这章讨论的是如何衡量 RAG 系统的效果。只要你理解了 Ch01 中 RAG 管线的基本流程（检索 → 生成），就可以直接读这章。不需要先理解具体的检索实现或平台架构。

有条件依赖的章节

Ch07 四大平台速览：最好在读过 Ch03（了解 RAG 架构的演进）之后再读。虽然不是硬性依赖，但了解三代架构的演进会帮助你理解每个平台的设计取舍。

Ch09 选型决策与生产化：依赖 Ch07（或 Ch06）——你需要先了解至少一个平台的架构，才能理解选型决策的维度。同时建议先读 Ch08（评估方法论），因为选型的一个关键输入就是”怎么衡量好坏”。

Ch10 竞赛贡献路径：强依赖 Ch06（WeKnora 架构），建议在读完 Ch06 之后再读。

依赖关系总览

         Ch01 (RAG 基础)
        ┌──────┼──────────────────┐
        ▼      ▼                  ▼
      Ch03   Ch05              Ch08
    (演进)  (解析/分块)       (评估)
        │                      │
        ▼                      │
      Ch04                     │
    (检索)                     │
     ┌──┴──┐                   │
     ▼     ▼                   ▼
   Ch06  Ch07               Ch09
(WeKnora)(其他平台)     (选型/生产化)
     │
     ▼
   Ch10
  (竞赛)

“如果你只读 3 章”推荐

如果时间极度有限，以下三章能让你获得最大信息密度：

第一章读 Ch01——建立 RAG 的基本心智模型，理解它解决什么问题。

第二章读 Ch04——理解 RAG 系统的核心：检索是怎么做的。向量检索、BM25 关键词检索、混合检索——这三种策略覆盖了绝大多数 RAG 系统的检索层实现。

第三章读 Ch06（如果参赛）或 Ch09（如果做工程）。前者帮你理解一个真实 RAG 平台的架构设计，后者帮你做选型决策和生产化落地。

这三章加起来大约需要 6-8 小时的阅读时间，能让你从”完全不懂 RAG”变成”能参与技术讨论、能做基本的架构评审”。

四、本章小结

本章只做了三件事：

第一，给出三条阅读路线。竞赛路径（1 周，聚焦 WeKnora 和犀牛鸟）、全景学习路径（3 周，顺序通读建立完整知识体系）、生产实践路径（5 天，面向工程部署和技术选型）。选不出来就选全景路径，它最灵活，随时可以切换。

第二，列出了前置知识检查清单。向量、余弦相似度、Embedding、Transformer、Python 基础——这五项不需要精通，但需要”知道是什么”。如果自检小测答对不到 3 题，建议先花半天时间补课。

第三，梳理了章节依赖关系。核心链是 Ch01 → Ch03 → Ch04 → Ch06，Ch05 和 Ch08 相对独立可以灵活插入。如果只读 3 章，选 Ch01 + Ch04 + Ch06（或 Ch09）。

下一章（Ch03: RAG 技术演进——从朴素管线到 Agent 自主检索）将正式进入技术内容。我们会从 2020 年最早的”朴素 RAG”讲起，看它如何一步步演进到今天的 Agentic RAG——大模型不再被动等待检索结果，而是自己决定”什么时候搜、搜什么、搜到的够不够用”。这是理解所有现代 RAG 平台设计决策的关键背景。

选好你的路线了吗？翻到下一章，开始吧。

导读目录：README.md 上一章：Ch01: 为什么需要 RAG——当大模型开始”说谎” 下一章：Ch03: RAG 技术演进——从朴素管线到 Agent 自主检索