1. 课程导入

欢迎进入《金融RAG知识库构建与检索实战》。在开始写第一行代码之前，我们需要先回答三个问题：为什么金融场景特别需要RAG？这套课程最终要交付什么？我们将用什么项目把知识串起来？本章不涉及复杂实现，而是帮你建立一张完整的“学习地图”，让后续29章的每一步都知道自己站在哪里、要走向哪里。

一、学习目标：学完之后你能做什么

本课程的目标不是让你“听说过RAG”，而是让你具备独立交付一个金融领域知识库问答系统的能力。具体来说，完成课程后你应当能够：

• 理解原理：说清RAG的检索—增强—生成三段式结构，以及它在金融场景中相对微调、纯提示词方案的优势与边界。
• 构建知识库：完成金融文档的解析、清洗、分块、向量化与入库，处理表格、PDF、研报等非结构化数据。
• 设计检索：掌握向量检索、关键词检索与混合检索，理解重排序（Rerank）在金融问答中的作用。
• 优化生成：能设计面向金融的提示词模板，控制幻觉、引用来源、约束合规表达。
• 评估与调优：建立检索命中率、答案忠实度等评估指标，定位并修复bad case。
• 工程落地：把原型封装为可调用的服务，理解性能、成本与数据更新的工程权衡。

二、核心价值：为什么金融场景非RAG不可

金融行业有三个鲜明特征，决定了它不能简单依赖大模型的参数化知识。第一，知识时效性强：监管政策、财报数据、利率变动每天都在更新，而模型训练存在知识截止点。第二，答案必须可溯源：一句投资建议或合规判断，必须能指向具体文件条款，否则无法被采信。第三，容错率极低：模型“一本正经地胡说”在金融场景可能带来真实损失。

RAG（Retrieval-Augmented Generation，检索增强生成）恰好针对这三点：它把最新、最权威的文档放进外部知识库，回答时先检索再生成，让模型“看着资料说话”。相比微调，RAG的知识更新只需替换文档，成本低、可解释、可审计；相比纯提示词，它能突破上下文长度限制，接入海量私有资料。

三、整体课程框架：30章如何层层递进

课程按“认知—构建—检索—生成—评估—工程”六段式推进，每一段都围绕实战项目展开，而不是孤立地讲工具。下表给出整体框架与各阶段的核心产出。

四、实战项目介绍：一个金融研报问答助手

贯穿全课程的项目是“金融研报问答助手”。它接收用户关于上市公司、基金、行业政策的自然语言提问，从一批研报与公告中检索依据，生成带来源引用的回答。项目刻意选择金融文档，是因为它同时具备表格密集、术语专业、时效敏感、合规要求高等难点，能把RAG的典型问题一次性暴露出来。

项目的基本数据流如下，后续章节会逐步替换其中的每个环节：

用户提问
  → 查询改写（可选）
  → 向量检索 + 关键词检索
  → Rerank 重排序
  → 拼接上下文 + 提示词模板
  → 大模型生成
  → 答案 + 来源引用
  → 评估与反馈

五、常见误区与复盘提醒

初学者在金融RAG上最容易踩的坑，往往不是代码写错，而是方向选错。以下四个误区请提前建立警觉：

• 误区一：以为RAG就是“向量数据库+大模型”。实际上分块策略、检索质量、提示词约束对最终效果的影响，常常大于换一个更强的模型。
• 误区二：忽视金融文档的表格与结构。财报和研报中大量关键信息在表格里，粗暴按字数切分会破坏语义，导致检索到却答不对。
• 误区三：只关注生成，不关注检索。检索没召回正确片段，再强的模型也只能编。评估必须从检索环节开始。
• 误区四：把“答得像”当成“答得对”。金融场景要的是可溯源、可验证，答案必须能指回原文，而不是语言流畅。

本章建立了课程的整体认知：我们明确了学习目标，理解了RAG在金融场景不可替代的价值，看到了30章的递进框架，也认识了贯穿全程的研报问答项目。接下来，我们将正式进入RAG的核心原理，把“检索—增强—生成”这条链路拆开看清楚。