📚 RAG 是什么？
📄 文档库
50~500 条
→
50~500 条
🔢 向量化
Embedding
→
Embedding
🔍 检索 Top-K
相似片段
→
相似片段
🤖 LLM 生成
基于上下文
基于上下文
plan.md 小案例：用 LlamaIndex Cloud 上传 ≤500 字备忘录，网页构建向量库，测试「查找今日待办」。本演示用词袋余弦相似度模拟检索（见下方分步可视化），无需 API。真实 RAG 的 Embedding 来自 Transformer，可先读 图解 Transformer（中文译文）。
🎮 个人备忘录问答机器人
内置 12 条短备忘录（模拟上传文档）。输入问题，看检索与生成过程。
🔢 词袋余弦相似度 · 求解过程
演示版用单字分词 + 词频向量模拟 Embedding。Top-3 可点标签切换；下方条形图可点任意文档查看完整计算。真实系统见 图解 Transformer。
输入问题并点击「检索 + 回答」查看逐步计算
文档库 · 相似度排序（Top-K = 3 高亮）
（输入问题后查看 RAG 回答）
🧪 推荐测试问题（plan 验证闭环）
✅ 检测题（5 题）
1. RAG 主要解决 LLM 的什么问题？
2. Embedding 的作用是？
3. Top-K 检索的含义是？
4. plan.md 对微调数据集规模的约束是？
5. 阶段 5 综合项目串联了哪三部分？