问答系统的难点不在检索流程本身，而在判断卡、来源编号和检索粒度这些细节：让模型只挑来源、不编链接，并容忍回答慢一点。
AI根据立正公开的文章和视频整理，不是他本人回复。重要的判断，请回到出处核对。
先写判断卡，再让模型挑来源
材料里的观点把最常被问的几类问题各整理成一张判断卡，写清这个判断在什么条件下成立、不能推出什么、该先问清什么；回答时把卡片和相关原文一起交给模型，模型只负责挑来源编号，链接和时间点由服务器补上，这样它编不出假链接。做这套东西时，代码基本由 Codex 写，人主要看每一版说哪里不行；9月30日下午开工，第二天中午上线1。
检索粒度是真正的工程难点
材料里的观点把文档切分、embedding、向量库、top-k 召回串成一条流程，听起来完整，但到了真实场景往往不成立：切分该固定大小还是让模型决定、embedding 是否必要、为什么一定要用向量库、该召回五段还是二十段，这些都没有标准答案。切太大，答案被无关信息淹没；切太小，一个答案可能被切开。换一个新模型，整套东西又可能要重做2。
体验上要让人等得住
材料里的观点回答质量换更强模型后，一次回答可能要等三十多秒，容易让人以为系统挂了。可以在提问两秒内先列出找到的材料和回答思路，让等待有反馈；链路上要注意代理把小数据包攒着不发的问题，加心跳包并主动 flush 才能正常。换成更快的模型后，一次回答大约八秒1。
这些做法来自立正做自己问答系统的记录，规模、模型和链路条件与你的项目未必相同；材料没有给出判断卡的具体写法。
出处
- 1问问立正：直接问我讲过的内容，Founding Member不限次
记录了这套问答系统的完整做法：判断卡、来源编号、心跳包和上线节奏，是理解整体方案的主要来源。
- 2AI的正确打开方式：不学概念，学动作
讲清了检索流程在真实场景里为什么容易失效，适合核对切分、embedding、top-k 这些细节上的取舍。
你也有想问的？
卡住的时候，问问立正：回答附有出处，可以点回原文核对。
也可以接着问：
别人还问了
- 什么是agentic rag呢，和普通的rag有什么区别，照样会做chunk、向量化、索引、排序等吗
普通 RAG 是固定流程：切分、向量化、检索、重排、拼上下文再让模型回答；agentic RAG 把检索变成 agent 的一个动作，由它自己决定搜什么、搜几次、要不要换工具，chunk 和向量化可能还在，但不再是必经的固定步骤。
- RAG 值不值得学习？它有什么局限性？
RAG 值得学的不是那套流程名词，而是它背后“怎么让模型用上你的上下文”这件事；只学 pipeline 容易停在简历打勾，判断不了它在你任务里值不值得用。
- 想了解 RAG 怎么实现，从哪里开始读？
先读那篇讲 AI 产品六个层次的文章，它把 RAG 的完整链路和真正该学的技术点讲清楚了；再配合那期讲“不学概念、学动作”的视频，避免一上来就陷进切分和 embedding 的流水线细节。
- 总觉得现在学习新东西，技术没有什么意义了，因为ai能比你做的快10倍，同时也觉得任何东西/poc都没有门槛，我能几天之内学习新的技术，并deliver。如果我能，我相信别人也能，那我的竞争力到底在哪里？ 学更广的知识还是干别的什么？
几天做出一个能跑的东西，只证明你当下交付得快，不证明能力留在你身上。竞争力更可能来自撤掉帮助后仍能判断、拆解和交付，以及别人做不出来的深度。
- workbuddy普通人怎么用
普通人用 AI 的关键不是学会某个工具，而是从“偶尔用一用”变成“让 AI 成为核心生产力”，并围绕自己反复做的一件事持续积累。
- 如何学习 ai
学 AI 要当手艺练，不是当知识背：围绕真实任务动手，用“撤掉帮助、隔段时间、换个条件还能不能做”来检验自己是否真会。