对话历史：让多轮 RAG 正确理解追问 对话历史的核心不是把所有聊天记录不断塞给模型，而是保存完&#

权限隔离：让无权内容无法进入 RAG 上下文 RAG 权限隔离的底线不是“最终答案不展示秘密”，而

引用来源：让 RAG 答案可以核对和追溯 引用来源的核心是让答案中的事实能够回到具体文档、页码&#

基础 RAG 问答 基础 RAG 问答的核心是先检索与问题相关的文档片段，再把这些片段作为受控上下文交给大模型回答。模型负责ń

向量检索 向量检索的核心是把用户问题也转换成向量，再到向量库里找语义最接近的 chunks，作为大模型回答前的上下文。

向量入库：把 Embedding 稳定写入 PostgreSQL + pgvector 向量入库的核心不是简单执行一次 UPDATE，而是保证 chunk、向量、模型&

文档切片 文档切片的核心是把清洗后的长文本切成大小合适、语义完整、带来源信息的 chunk，为后面的 Embedding 和向量检索做准备

文本清洗 文本清洗的核心是在不破坏原文结构的前提下，去掉明显噪声，保留标题、段落、页码和来源信息，让后面的切

文档解析 文档解析的核心是把 PDF、Word、Markdown、TXT 等不同格式统一转换成可处理的文本，同时尽量保留页码、标题、来源等元数据

文档上传 文档上传的核心不是把文件收到就完事，而是完成文件校验、安全存储、元数据入库和后续解析任务的入口。