搭 RAG 系统，数据加载搞定了，下一步就是把文档切成小块。分块策略选错了，后面检索怎么调都不对。本文介绍主流分块策略（固定大小、重叠、递归、语义分块等），并给出实战经验和参数建议。

数据加载是 RAG 管道的第一步，也是最容易被忽视的一步。本文介绍 Spring AI 的各类文档读取器（Text、PDF、HTML、Markdown、JSON、Tika）以及 Unstructured 文档处理库，涵盖元数据抽取、文档清洗与常见格式的处理方案。

LlamaIndex 是专为 LLM 设计的开源数据连接和检索框架，能快速搭起 RAG 全链路。本文介绍其核心功能（多格式加载、多种索引结构、灵活检索引擎），并一步步用 Python + LlamaIndex + 阿里百炼 API 搭建最小 RAG 系统。

上手 RAG 的最佳路径是先构建最小可行系统（MVP）。本文介绍 Java 技术栈的工具链选择（LangChain4j / Spring AI）、四步构建法（数据准备→索引构建→检索策略→生成提示）、常见难点与优化方向，以及 RAG 系统的评估指标。

大语言模型存在时效性差、专业领域不足、幻觉问题和数据隐私风险等局限性。RAG 通过"开卷考试"模式，先检索外部知识库再结合上下文生成，有效解决这些问题。本文还对比了 RAG 与微调、传统搜索的适用场景。

RAG（检索增强生成）是一种将信息检索技术与大语言模型相结合的框架，让 LLM 学会"开卷考试"。本文介绍 RAG 的核心定义、技术原理（索引与检索阶段）、常见用途以及技术演进（初级RAG→高级RAG→模块化RAG）。

日志框架、日志配置[示例代码](https://github.com/tyronczt/spring-boot-learning/tree/master/spr

Spring Boot使用一个全局的配置文件

使用spring boot可以非常方便、快速搭建项目，使我们不用关心框架之间的兼容性，适用版本等各种问题，我们想使用任何东西，仅仅添加一个配置就可以，所以使用s

以输出倒逼输入（Output-Push-Input Learning）