Lesson 09 练习
python lessons/09_engineering/code.py启动交互式问答助手，按练习要求操作。
练习 1：体验引用溯源
启动后问一个需要具体信息的问题，比如：
> 我工作4年能休几天年假？
观察：答案里应该有【材料N】标注。答案末尾的材料清单里有来源文件名吗？根据标注能定位到原文吗？
思考：引用溯源对一个"可信的问答系统"有多重要？如果没有溯源，用户怎么验证答案对错？
绋试 2：体验 embedding 缓存
第一次启动时，你会看到"新增/更新 X 个块"。退出后再次启动，观察输出。
观察：第二次启动应该显示"跳过 N 个未改动的文件，命中缓存"——不再调用 embedding API。
验证缓存失效：用编辑器随便改一下 data/sample_docs/employee_handbook.md（加个字），再启动，看那个文件是否被重新向量化了。
思考：缓存机制让"加载几百个文档"从几分钟变成几秒。这种"按文件 hash 增量更新"的思路，在哪些场景特别有价值？（提示：文档库频繁更新、CI/CD 部署）
练习 3：测试多文档跨主题问答
分别问这两个不同文档的问题：
> 年假有几天？ （来自 employee_handbook.md）
> VPN 怎么连？ （来自 it_policy.md）
> 报销和密码修改分别是多久？ （跨两个文档）
观察：检索能正确从不同文件召回相关内容吗？来源标注能区分两个文件吗？
思考：多文档管理 + 来源标注，让 RAG 能服务"知识库"而非"单篇文档"。这是生产级 RAG 的基本能力。
练习 4：加入你自己的文档（最有价值）
把你自己的一个文档（产品手册、学习笔记、项目文档……）转成 md 放进 data/sample_docs/，重启程序，问关于你自己文档的问题。
思考：这就是你自己的第一个"私有知识问答助手"！想想还能怎么扩展——接入 PDF？做成网页界面？加上对话历史？
练习 5（进阶）：加入混合检索
回顾 Lesson 06。这个助手目前只有向量检索。试着把 BM25 + RRF 混合检索加进来：
- 把
retrieve函数改成同时做向量检索和 BM25 检索 - 用 RRF 融合两路结果
用带编号的问题测试（比如"账号 ACME-001"），看混合检索是否提升了召回。
思考：这证明了前 8 课学的技术都是"积木"，可以自由组合。一个完整的生产级 RAG，往往是这些技术的组合。
✅ 课程毕业检查
完成本课后，你应该能：
- 独立搭建一个能用的 RAG 问答助手（接入自己的文档）
- 理解 RAG 每个环节的原理和取舍
- 知道怎么用评估体系量化优化效果
- 清楚生产级 RAG 需要哪些工程化能力
- 具备继续探索 Agentic RAG、多模态 RAG 的基础
🎉 恭喜完成全部 9 课！你已经从零掌握了 RAG 的完整知识体系。