RAG

比较 RAG 与微调 DeepSeek 的知识更新、引用、行为塑造和运维成本，并给出可执行的选型验证表。

用 SQLite 验证 RAG 嵌入缓存：文本哈希与模型版本、维度、任务类型等共同组成键，配置变化重新计算，拒绝非法维度与 NaN/Inf。

用 SQLite FTS5 的 trigram 建立中文连续关键词原型索引，限制公开资料，返回原文、来源和页号，并明确短词与语义检索边界。

用 Qdrant scroll 分页导出 ID、向量和 payload，在新的练习集合重建，再对照来源集合逐项检查 ID 与记录内容。

用 CrossEncoder 对问题与已有候选片段成对打分，排序时保留 source_id，并用人工目标核对实际结果及召回、权限和截断边界。

用 PyMuPDF 提取 RAG 用 PDF 的文本块，将文件哈希、页码、块号和坐标一起保存，并单独记录空文本页供回查。

在 n8n 中通过 HTTP Request 调用已有 RAGFlow 助手，传入会话问题、关闭流式响应并提取回答与引用。

先保存 pgvector 精确 top-10，再建立余弦 HNSW 索引，检查查询计划并计算交集召回；调整 ef_search 后以相同基线复测。

通过三组人工向量复核余弦相似度、距离、内积和负内积，解释 pgvector 分数及排序方向，再用真实问题集标定阈值。

固定 gemini-embedding-001，用文档与查询任务生成 768 维向量，手动归一化后排序，并逐项验证来源、维度和无答案问题。