Lesson 01 练习
改
code.py里对应的代码，在仓库根目录运行python rag-lessons/01_getting_started/code.py观察变化。 没有标准答案，重点是建立"改动→观察→理解"的直觉。
练习 1：换一个问题（热身）
把 QUESTION 改成下面这些，逐个运行，观察检索到的材料和回答：
"公司中午能休息多久？""我生病了怎么请假？""请告诉我公司的 wifi 密码"← 文档里没有的信息
观察重点：第三个问题，模型应该回答"我不知道"。这正是提示词里"没有就说不知道"在起作用。
练习 2：增删知识
在 KNOWLEDGE 列表里加一条新知识，比如：
"ACME 公司茶水间位于 3 楼东侧，提供免费咖啡和零食，每天 15:00 供应下午茶。",
然后问 "下午茶几点？"，看模型能不能答对。
再把这条删掉，问同样的问题，看模型这次回答什么（应该回到"我不知道"）。
思考：这说明 RAG 的回答质量本质上取决于什么？
练习 3：调检索数量
把 TOP_K 从 2 改成 4（甚至 5），再问 "我在公司干了 4 年，能休几天年假？"。
观察：检索到的材料变多了，回答有没有变得更好？还是混入了无关内容？
思考：Top-K 是不是越大越好？(提示：后面 Lesson 03 会讲)
练习 4：对比"不开 RAG"
临时把 generate_answer 里的 prompt 换成只发问题、不给材料：
prompt = QUESTION # 直接问，不给任何材料
同样问 "我在公司干了 4 年，能休几天年假？"，对比有材料和无材料的回答差异。
思考：没有材料时，模型会怎么回答？(提示：它可能会编，因为它不知道"ACME 公司"的真实制度)
✅ 完成本课后，你应该能回答
- RAG 解决了直接问大模型的哪三个问题？
- 完整的 RAG 流水线有哪几步？每步分别用什么技术？
- 为什么"检索"这一步能让模型少产生幻觉？