想了解 RAG 怎么实现，从哪里开始读？

那篇讲 AI 产品六个层次的文章把 RAG 放在第二层，叫“带知识的 AI 应用”。它给出一条完整链路：用户提问，先做查询改写或意图识别，再从知识库或数据库里检索，接着重排和过滤，拼装上下文，交给模型生成答案，最后做引用和来源追踪。文章还点出这一层真正的技术重点不是写好提示词，而是切分、embedding、混合检索、重排、元数据过滤、权限感知检索、引用、时效控制和降低幻觉。典型场景包括公司知识库问答、课程助教、客服 FAQ、法律文档助手和内部 SOP 问答。先建立这张地图，再去看某个环节怎么实现，不容易迷路⁠1。

那期讲“不学概念、学动作”的视频提到，很多人学 RAG 是从 pipeline 开始的：文档切分、做 embedding，一步步往下走。这种学法容易带来一种错误的进步感——checklist 打上勾，简历上能写“做过 RAG”，然后就停在那里。视频把 RAG、agent 这类词归到“看起来硬”的货架，把上下文管理、任务拆解、人机协同、结果确定性归到“看起来软”的货架，并提醒真正该学的点往往在后者。所以读那篇文章时，值得留意它强调的技术重点，而不只是记住流程顺序⁠2。

那篇给学员项目分类的文章里，有一个产假小助手被归到 RAG 这一层。它最初设想从政策文档里提取信息，最后转向用规则引擎直接算出产假天数并生成申请文本。分类理由是：运行时用 AI 从政策文档取信息，用户依赖它给出准确结果。文章还指出一个真实风险——政策一变，计算结果就可能不准，需要定期更新规则引擎和文档。这个例子能帮你看清 RAG 的边界：不是所有“查资料再回答”都要靠检索，有时规则引擎更合适⁠3。