数据、模型、索引、评估、Web 界面全部自包含的企业级 RAG 教学实现：原生链路与 LangChain 链路双实现对照，RAGAS 四指标量化检索与生成质量。
§双实现对照 + 消融实验
原生实现（解析 → 分块 → BGE 嵌入 → FAISS → Rerank → DashScope 生成）与 LangChain 版对照实现并行，配合 compare_strategies.py 做策略消融；RAGAS 评估（faithfulness 0.809 / answer_relevancy 0.549 / context_precision 0.260 / context_recall 0.378）暴露了纯向量检索在精确匹配型问题上的短板——这正是后续加 Rerank 与混合检索的动机。
自带 FastAPI Web 界面（年报 RAG 问答 · 教学演示），检索链路本地可跑，生成环节需 DashScope key。
§接下来
混合检索（BM25+向量）引用溯源到页码