设想一份课程手册刚刚更新。你把新旧两版都放进知识库，问 AI：“这次申请需要提交哪些材料？”它很快列出了一份清单，还附上了出处。
但点开出处，问题出现了：其中一段来自旧版手册，另一段只是介绍申请流程，并没有列出全部材料。回答看起来完整，证据却没有完整地支持它。
检索增强生成，通常简称 RAG，把外部资料引入语言模型的回答过程。EvoClass 的 AI025《实用 RAG 系统：从知识库到检索增强生成》用五个课时展开这条路径。课程关心的，正是信息怎样从原始文档走到可以核对的答案。
第一处断点，可能藏在资料进入系统之前
在 Lesson 1：RAG 与知识库构建基础 中，课程先区分提示、微调与 RAG，并把资料清理、元数据和版本管理纳入知识库构建。
这一步容易被当成准备工作，实际却决定了后续能够核对什么。文档属于哪个版本，适用于谁，条款从什么时候生效，都可能影响答案。若这些信息在导入时丢失，生成阶段再流畅，也很难补回可靠的依据。
回到那份手册，可以先问一个很朴素的问题：系统能否区分“这是一份新文件”与“这是一份当前有效的规定”？发布时间和适用时间并不总是一回事。
因此，构建知识库时需要考虑的不只是把正文存进去，还包括保留它的身份和使用条件。
切得更细，未必找得更准
一份长手册往往需要拆成可以检索的片段。拆得太小，可能留下了材料名称，却丢掉前面的适用对象；拆得太大，答案又可能淹没在无关内容里。
Lesson 2：分块、嵌入与索引 把分块放在召回、排序、上下文和引用之间讨论。片段的边界，会同时影响“能不能找到”与“找到以后能不能正确使用”。
例如，一条规定的例外条件写在下一段，只保留第一段，就可能让一个有条件的要求看起来适用于所有人。这类问题值得在资料整理阶段发现，而不必等到最终答案出错才追查。
课程还把语义相似与答案用途区分开来。两段文字谈论同一主题，并不意味着它们都包含用户需要的那条证据。
找到相关资料之后，还需要筛选
用户有时会问一个概念，有时会报出精确的编号、产品名称或条款。两类问题，对检索的要求并不相同。
在 Lesson 3：混合检索与重排序 中，课程讨论关键词匹配与语义检索各自的用途，并进一步引入重排序。
可以把它理解为两次选择：先尽量找回可能有用的候选，再判断哪些片段真正包含回答问题所需的信息。只看相似度分数，往往不足以完成第二次判断。
检查手册问答时，可以把失败拆开记录：有效条款根本没有进入候选，还是进入了候选却被排在后面？这两种情况需要处理的环节不同。保留中间结果，才有机会把“答错了”变成一个能够定位的问题。
有出处，还要看出处是否支持结论
引用让读者有机会回到材料，却不能单凭引用的存在就认定回答可靠。需要继续检查：这段材料是否有效，是否对应这句话，是否覆盖了其中的限定条件。
Lesson 4：引用、时效与评估 将证据召回和生成忠实度分别讨论；Lesson 5：从原型到生产 则把关注点延伸到延迟、成本、故障诊断和证据不足时的处理。
一个值得尝试的学习任务，是围绕同一份材料准备几类问题：正文直接给出答案的、需要结合多处信息的、涉及旧版本的，以及材料根本没有回答的。逐一检查系统拿到了什么证据，又根据证据说出了什么。
这些问题是学习建议，并非本文已完成的系统测试。它们提醒我们，知识库的价值需要在真实的信息差异中检验，不能只凭几次顺利的演示来判断。
可以从 AI025 课程页面 开始，顺着资料到答案的每一次交接往下看。下一次面对一份附有出处的回答，值得追问的是：这些出处，究竟支持了回答中的哪些话？
本文依据 EvoClass 当前课程材料整理，课时链接指向英文材料。文中的手册问答为教学设想；未据此宣称已部署系统的准确率、性能或数据访问能力。访客可查看当前开放内容，完整学习权限以页面提示为准。