md:优化原先readme数据

06_rag_basics/README.md

@@ -15,23 +15,23 @@ RAG 概念｜文本加载与分块 (Load & Split)｜向量化 (Embedding)｜向
 
 ---
 
-### 2. `02_embedding.py`（文本向量化）
-演示如何加载本地 Embedding 模型，并将任意文本（知识卡片）转换为“语义向量”。
+### 2. 文本向量化功能
+项目使用根目录下的 `embeddings.py` 模块提供文本向量化功能，该模块封装了 `HuggingFaceEmbeddings`，支持自动下载和加载本地 Embedding 模型。
 
 ✅ **掌握点**：
-- 使用 `HuggingFaceEmbeddings` 加载开源本地模型（如 `BAAI/bge-small-zh-v1.5`）。
-- 理解 Embedding（向量化）是 RAG 的“语义标签”，用于实现“语义搜索”。
-- 如何调用 `embed_query` 将文本转换为向量（一串数字）。
+- 通过 `get_embeddings()` 函数获取向量化模型，默认使用 `BAAI/bge-small-zh-v1.5`。
+- 函数会自动下载模型到本地 `models` 目录，之后可离线使用。
+- 理解 Embedding（向量化）是 RAG 的"语义标签"，用于实现"语义搜索"。
 
 ---
 
-### 3. `03_build_index.py`（构建并存储索引）
-整合“加载”、“分块”和“向量化”三个步骤，构建 FAISS 向量索引库，并将其**持久化**保存到本地磁盘。
+### 3. `03_build_index.py`（向量存储与索引构建）
+使用 FAISS 向量索引库将向量化后的文本片段构建为可检索的向量数据库，并持久化到本地。
 
 ✅ **掌握点**：
-- 什么是 FAISS（轻量级、高性能的向量索引库）。
-- 如何使用 `FAISS.from_documents` 一键完成“批量向量化+构建索引”。
-- 如何使用 `db.save_local` 将索引保存到磁盘，实现**“离线索引”**。
+- 使用 `FAISS.from_documents` 构建向量索引库。
+- 通过 `save_local` 方法将向量索引持久化到本地文件系统（保存为"faiss_index"目录）。
+- 实现文本的完整处理流程：加载 -> 分割 -> 向量化 -> 索引构建 -> 持久化。
 
 ---
 
@@ -48,4 +48,4 @@ RAG 概念｜文本加载与分块 (Load & Split)｜向量化 (Embedding)｜向
 ---
 
 💡 **建议**：
-跑通所有示例后，尝试用你自己的 `.txt` 文件替换 `knowledge_base.txt`，并调整 `chunk_size` 参数，观察分块结果和 RAG 问答效果的变化。
+跑通所有示例后，尝试用你自己的 `.txt` 文件替换项目中的 `knowledge_base.txt`，并调整 `chunk_size` 参数，观察分块结果和 RAG 问答效果的变化。

07_rag_advanced/README.md

@@ -15,13 +15,13 @@
 
 ---
 
-### 2. build_index.py （构建 Chroma 向量数据库）
+### 2. `00_build_index.py` （构建 Chroma 向量数据库）
 
 将 `war_and_peace.txt` 加载、分块、向量化，并存入 Chroma 持久化向量数据库。
 
 - ✅ 掌握点：
   - 使用 RecursiveCharacterTextSplitter 分割长文本（chunk_size=500, overlap=75）。
-  - 调用 HuggingFaceEmbeddings（模型：BAAI/bge-small-en-v1.5）生成语义向量。
+  - 通过根目录 `embeddings.py` 模块的 `get_embeddings()` 函数获取向量化模型（默认使用 BAAI/bge-small-en-v1.5）。
   - 通过 Chroma(persist_directory=...) 创建可持久化、支持增删改的向量库。
   - 自动分批插入（每批 ≤5000 条），规避 Chroma 单次写入上限限制。
 
@@ -38,8 +38,9 @@
 加载已持久化的 Chroma 向量数据库，用于后续检索。
 
 - ✅ 掌握点：
+  - 通过根目录 `embeddings.py` 模块的 `get_embeddings()` 函数加载向量化模型。
   - 使用 `Chroma(persist_directory="...")` 从磁盘加载已保存的向量库。
-  - 无需重新向量化，实现“离线索引”快速启动。
+  - 无需重新向量化，实现"离线索引"快速启动。
   - 获取 `db.as_retriever()` 作为后续 RAG 流程的输入。
 
 - 依赖前提：
@@ -52,9 +53,11 @@
 在召回结果上应用 Reranker 模型，提升上下文相关性。
 
 - ✅ 掌握点：
+  - 通过根目录 `embeddings.py` 模块的 `get_embeddings()` 函数加载向量化模型。
   - 使用 `BAAI/bge-reranker-base` Cross-Encoder 对检索结果进行重排序。
-  - 通过 `ContextualCompressionRetriever` 封装为统一检索器。
-  - 仅保留 Top-2 最相关文档，过滤语义噪声。
+  - 通过 `ContextualCompressionRetriever` 和 `CrossEncoderReranker` 实现检索增强。
+  - 理解`k`与`top_n`的作用
+  - 保留 Top-6 最相关文档，过滤语义噪声。
 
 - 依赖前提：
   - 必须存在 `chroma_db_war_and_peace_bge_small_en_v1.5` 目录。
@@ -66,6 +69,7 @@
 将 RAG 链封装为 LangChain `@tool`，供 Agent 调用。
 
 - ✅ 掌握点：
+  - 通过根目录 `embeddings.py` 模块的 `get_embeddings()` 函数加载向量化模型。
   - 在启动时一次性构建 RAG 链（避免每次调用重复加载模型/数据库）。
   - 使用 `@tool` 装饰器注册 `search_war_and_peace(query)` 函数。
   - 支持与其他工具（如 `get_weather`）并列使用。
@@ -80,6 +84,7 @@
 首次融合 LangChain 六大核心模块，构建带记忆、能自主决策的智能体。
 
 - ✅ 掌握点：
+  - 通过根目录 `embeddings.py` 模块的 `get_embeddings()` 函数加载向量化模型。
   - LLM：ChatOpenAI 作为推理引擎。
   - Prompt：含 MessagesPlaceholder("history") 的系统提示。
   - Chain：LCEL 构建的 RAG 链 + AgentExecutor。