RAG 学习资料怎么选：不要只收藏向量数据库教程

把 RAG 学成“向量数据库教程”，通常会得到一个能回答演示问题、却无法承担真实文档责任的系统。完整路线至少要经过文档治理、解析、检索、评估、权限和上线运营六个问题。

先看资料地图

| 问题 | 推荐入口 | 阅读任务 | | --- | --- | --- | | 文档进入系统前发生什么 | Unstructured | 找到格式支持、分区与解析失败边界 | | 检索链怎样组成 | LangChain Retrieval | 区分 loader、splitter、embedding、store、retriever | | 向量与元数据怎样查询 | Qdrant | 研究过滤、集合和部署责任 | | 结果怎样评估 | Ragas | 建立问题、上下文、答案与指标之间的关系 | | 权限怎样继承 | OpenFGA | 用关系模型表达谁能看哪份资料 | | 完整产品还缺什么 | RAGFlow | 观察解析、工作流、应用与运营界面如何拼接 |

仓库许可按 2026-07-15 页面核验：Unstructured、Qdrant、Ragas、OpenFGA 为 Apache-2.0；RAGFlow 的复用应以当前 LICENSE 和仓库声明为准。在线文档随版本更新，链接存在不代表接口稳定。

一句话解读：这张地图不是六个都要安装的技术栈，而是六个责任问题各自的查证入口。

第一课应是文档治理

索引前先回答：谁是文档负责人、哪个版本有效、附件是否包含敏感信息、旧文件何时失效。若这些问题没有答案，切分策略再精细也只会更快地传播旧内容。可交付物是一张文档清单，包含 owner、版本、权限、更新时间和删除规则。

一句话解读：RAG 的第一张表应记录文档责任，不是 embedding 参数。

解析阶段要留下坏样本

PDF 表格、扫描件、页眉页脚和跨页段落会改变文本结构。学习 Unstructured 时，不要只跑一份干净文件；应保留解析失败页、丢失字段和人工修正。这个阶段的难度来自输入差异，而不是 API 数量。

检索阶段才轮到向量数据库

先用 LangChain 的检索概念图理解链路，再让 Qdrant 承担向量与元数据过滤。练习应包含“同名文档不同部门”“已失效版本”“答案需要关键词精确命中”三类问题。它们会迫使你比较语义检索、关键词和过滤，而不是只调 top-k。

评估与权限不能最后补

Ragas 提供评估组件，但指标不能替你定义正确答案。先从真实业务问题中建立小型评估集，标出依据和可接受回答。权限则要在检索前生效：OpenFGA 可以帮助表达资源关系，但模型设计、同步延迟和审计仍由系统负责。

学习曲线不是线性的

前置知识是 Python、HTTP、基本数据库操作，以及能读懂一条检索链的输入输出。

最初几个小时很容易获得“能答题”的反馈；加入混合格式文档后，工作会转向清洗和版本管理；一旦引入权限与评估，难点变成跨角色协作。真正的进阶标志，是一次错误能被归类为文档、解析、召回、生成、权限或运营问题。

第一阶段是低门槛、高反馈：会 Python、HTTP 和基本数据库操作即可，用十份文档做出带出处的回答；第二阶段开始变难，要同时处理扫描件、表格、版本和混合检索，产物是坏样本集与检索对照；第三阶段进入生产责任，需要数据 owner、权限关系、评估标准和更新机制，产物是一份可审计的责任链。没有业务文档或真实问题集时，不应提前进入第三阶段。

一句话解读：RAG 的难点从“找得到”转向“找得对”，最后才转向“谁有权让它被找到”。

20 小时试学路径

用 10 份不同格式文档建立清单，挑出两份故意难解析的文件；完成基础检索后加入元数据过滤；整理 20 个问题，其中包含无答案和越权问题；最后记录每个失败属于哪一层。RAGFlow 只用来观察完整产品形态，不要求第一轮部署全部组件。

把它明确成四个验收步骤：第一步交付带 owner、版本和权限的文档清单；第二步交付解析前后对照及两份失败页；第三步用同一批问题比较纯关键词、语义检索和元数据过滤；第四步加入无答案、旧版本与越权样本，并让每次失败能回到责任层。任何一步没有产物，就不以“已经看完教程”代替。

不要这样学

只比较向量库 benchmark，会跳过自己的过滤、备份和部署条件；拿自动指标代替人工标准，会让分数失去业务含义；先索引后补权限，可能让本不该出现的内容进入候选集。资料越多，这三类错误越难返工。

最典型的失败是把新版制度和旧版制度一起切片，向量相似度很高，回答也很流畅，但引用了已经失效的条款。此时调 embedding 或 top-k 没有意义，应该修正文档版本与失效规则。本文同样不解决源文件本身错误、组织没有权限 owner，或业务拒绝定义正确答案的问题。

用员工休假制度做一次责任链演练

不要一开始导入整个知识库。先取总部与两个地区的三份休假制度，其中故意保留一份已失效版本和一张扫描附件。文档表要记录地区、owner、生效日期、失效日期和可见范围；解析后逐页核对扫描附件；问题集至少覆盖“某地区今年有几天”“制度没有写怎么办”“实习生能否查看管理层附件”。

如果回答错了，按顺序判断：版本过滤是否先排除了旧制度，扫描页是否丢字，检索是否命中对应地区，生成是否超出依据，权限是否在召回前生效。这个场景不会证明系统已经可用于人事决策，却能证明学习者是否把六类资料串成了责任链。最终产物应包含一条正确回答、一条应拒答、一条越权拦截和一次旧版下架记录。

结论

值得收藏的不是“最全 RAG 工具表”，而是一组能定位责任的入口。先治理一小批文档，再让解析、检索、评估和权限依次暴露问题；当这条链能解释失败时，才有必要扩大数据量。

下一步只选一个真实资料夹，先建十行文档清单并删除明显过期文件；在这张表通过 owner 确认之前，不安装新的向量数据库。