完善文档

docs/rag/README.md

@@ -0,0 +1,3 @@
+# RAG
+
+RAG 与知识系统文档目录。

docs/rag/chunking.md

@@ -0,0 +1,16 @@
+# Chunking
+
+## 原则
+
+优先保持语义完整性，而不是机械固定长度切分。
+
+考虑：
+
+- 标题层级
+- 段落
+- 代码块
+- 表格
+- 文档结构
+- Token 长度
+
+Chunk 必须携带可追溯 metadata。

docs/rag/embedding.md

@@ -0,0 +1,12 @@
+# Embedding
+
+Embedding 用于把文本、实体或其他内容映射到向量空间。
+
+要求：
+
+- 明确模型版本
+- 明确维度
+- 保存模型标识
+- 模型变更时考虑重建索引
+
+Embedding 与业务代码通过统一接口隔离。

docs/rag/evaluation.md

@@ -0,0 +1,13 @@
+# RAG Evaluation
+
+评估至少覆盖：
+
+- Recall
+- Precision
+- MRR
+- NDCG
+- Context Relevance
+- Answer Faithfulness
+- Citation / Source Accuracy
+
+评估集应版本化，模型、Embedding、Chunking 或检索策略发生重要变化时重新评估。

docs/rag/ingestion.md

@@ -0,0 +1,13 @@
+# RAG Ingestion
+
+流程：
+
+`File -> Parse -> Normalize -> Chunk -> Metadata -> Embedding -> Index`
+
+解析工具：
+
+- unstructured
+- PyMuPDF
+- MarkItDown
+
+每个 chunk 应保留来源、文档 ID、位置和版本信息。

docs/rag/overview.md

@@ -0,0 +1,29 @@
+# RAG
+
+## 架构
+
+```mermaid
+flowchart LR
+    Query --> Understanding
+    Understanding --> BM25
+    Understanding --> Vector
+    Understanding --> Graph
+    BM25 --> Fusion
+    Vector --> Fusion
+    Graph --> Fusion
+    Fusion --> Reranker
+    Reranker --> Compression
+    Compression --> LLM
+```
+
+## 检索
+
+采用 Hybrid Retrieval：
+
+- Keyword
+- BM25
+- Vector
+- Graph
+- Metadata Filter
+
+最终通过 Reranker 与 Context Compression 提高上下文质量。

docs/rag/reranking.md

@@ -0,0 +1,9 @@
+# Reranking
+
+Reranker 用于对候选结果进行二次相关性排序。
+
+典型流程：
+
+`Recall -> Candidate Set -> Reranker -> Top K`
+
+Reranker 不是召回器，不能替代低成本高召回率的第一阶段检索。

docs/rag/retrieval.md

@@ -0,0 +1,12 @@
+# Retrieval
+
+支持：
+
+- BM25
+- Vector Search
+- Graph Search
+- Metadata Filter
+
+推荐采用多路召回后统一融合。
+
+检索必须保留 source metadata，确保最终上下文可追溯。