专栏：大模型应用开发：从原理到生产
篇号：22
内容标签：RAG、OpenAI、Chroma、向量检索、AI应用开发
前面几篇，我们已经把 RAG 的关键部件拆开讲了一轮。
第 17 篇讲 RAG 解决什么问题。
第 18 篇讲完整 RAG 系统包含哪些环节。
第 19 篇讲文档解析与分块。
第 20 篇讲 Embedding 与向量检索。
第 21 篇讲向量数据库怎么选。
现在该把这些东西串起来了。
这一篇不追求生产级架构。
目标只有一个：
写一个最小可用的 RAG 系统，让你完整看见“文档 → 检索 → 回答”这条链路。
为什么强调“最小可用”？
因为很多人第一次做 RAG，很容易一上来就想太多：
- 要不要接 PDF 解析？
- 要不要支持多租户？
- 要不要加 Rerank？
- 要不要做混合检索？
- 要不要支持权限？
- 要不要接 LangChain 或 LlamaIndex？
- 要不要上 Milvus？
这些问题都重要。
但第一步不是把所有能力一次做完。
第一步是确认最基本的闭