Lesson 03 练习

改 code.py 里的代码，运行 python lessons/03_retrieval/code.py 观察变化。

练习 1：换一个"跨类别"的问题

把 QUESTION 改成：

QUESTION = "我在家办公的时候生病了，能请病假吗？"

观察： - 暴力检索和 Chroma 检索的结果是否一致？ - Top-K 变大时，召回了哪些类别的文档？（这个问题其实涉及"远程"和"请假"两个类别）

思考：这种跨类别的问题，单靠向量检索够吗？如果相关文档分散在两个类别里，metadata 过滤会不会反而帮倒忙？（这是后面"query 改写/多查询"要解决的）

练习 2：测试 metadata 过滤的"帮倒忙"

用练习 1 那个跨类别问题，在 section_metadata_filter 里把过滤条件改成只查"远程"：

where={"category": "远程"}

观察：过滤后还能召回"病假"那条文档吗？

思考：这说明 metadata 过滤虽然能提精度，但用错了也会漏召回。什么场景下该用、什么场景下不该用？（提示：明确知道答案在某一个类别里时才用）

练习 3：自己实现一个"带 metadata 的暴力检索"

在 brute_force_search 基础上改造，加一个 category_filter 参数：

def brute_force_search_with_filter(doc_vectors, query_vec, docs, metadatas, top_k, category_filter=None):
    results = []
    for i, dv in enumerate(doc_vectors):
        if category_filter and metadatas[i]["category"] != category_filter:
            continue  # 不符合类别的跳过
        sim = cosine_sim(query_vec, dv)
        results.append((docs[i], sim))
    ranked = sorted(results, key=lambda x: x[1], reverse=True)
    return ranked[:top_k]

调用它对比"过滤前"和"过滤后"的结果，理解"先筛后检"的逻辑。

练习 4：调大文档集，感受 ANN 的价值

把 DOCUMENTS 复制扩展到 100 条（可以用循环把现有 8 条重复几遍，或加更多内容），然后用 QUESTION 查。

观察：暴力检索和 Chroma 的耗时差距变大了吗？

思考：虽然重复内容会让相似度都接近 1，但你可以从耗时上感受到——数据量越大，向量库的 ANN 优势越明显。真实生产环境文档数都是万级以上，暴力检索完全不可行。

✅ 完成本课后，你应该能回答

检索的本质是什么？（一句话）
为什么大规模数据必须用向量库？ANN 解决了什么问题？
Top-K 是越大越好吗？为什么？
cosine 和 l2 这两种度量有什么区别？RAG 为什么默认用 cosine？
metadata 过滤解决什么问题？有什么副作用？