它在解决什么
stu_rag 不急着做产品，而是把检索拆成可以单独跑通的步骤。面对一份文档，真正不确定的通常不是“要不要上 Agent”，而是：加载对不对、切分会不会切断语义、关键词和向量怎么合、排完之后有没有把噪声抬上来。
拆开练过的部分
- 加载：文本、JSON、PDF、Markdown，以及图片加载器。
- 切分：按标点和段落切，也试过基于模型的语义切分。
- 向量库：Chroma 本地持久化、集合创建、写入和查询，还有客户端 / 服务器两种启动方式。
- 关键词：中文分词之后的 BM25。
- 融合与重排：RRF 混合排序，FlagEmbedding 做向量化和 rerank。
- 问答链：用 LangChain 把检索接到生成，写成一个综合案例。
数据集是练习用的本地文件，不是医疗语料。目的是把接口摸熟，而不是灌一个领域库。
一个还成立的直觉
向量相似度只说明方向接近，不说明内容正确。所以后来写 把知识库想象成一张地图 时，也还是同一句话：找到位置，只是理解的第一步。保留出处、让矛盾可见、证据不够时允许停在“不知道”。
和后面怎么接
MediAtlas 里的多路召回（BM25 + 稠密向量 + 图谱，再 RRF 和重排）就是从这里接上去的。差别在于：练习库可以随便召回；医疗回答必须再加来源门槛，并且允许检索失败后停止，而不是换一种说法继续编。