1. 检索链路

上一篇已经把长文档切成了很多 Document。此时每个文档块都能单独处理，但系统还不知道用户的问题与哪一块最相关。

如果把所有文档块都交给模型，上下文很快就会超出限制，调用成本也会随着文档量增长。更合适的处理流程是先检索，再把少量相关内容交给模型：

1
建索引：文档 → 切块 → Embedding → Vector Store
2

3
查询：用户问题 → Embedding → 相似度检索 → 相关文档块 → Agent

这里有两个新角色：

• Embedding 把文本转换成向量
• Vector Store 保存文档和向量，并根据查询向量找出相关文档

这两部分连接起了“文档切块”和“Agent 回答”，也是 RAG 检索阶段的基础。RAG 的中文常译为“检索增强生成”，意思是先从外部资料中检索相关内容，再让模型基于资料生成回答。