主题
第五部分 RAG 全链路
这一部分要回答的问题：承接第四部分：模型压到 4 位、跑得很省了，但它不知道公司资料，怎么办？
九节按链路排（图 5-1）：5.1 先说清为什么是 RAG，5.2–5.5 是离线入库，5.6–5.9 是在线问答，最后两节处理权限和增量这些长期运行才会暴露的问题。
这一部分的实验代码在 labs/05-rag/，原始数据在 benchmarks/rag/，测试集在 eval/（80 题，四类各 20；第六部分扩到 300 题，见 eval/qa-v2.jsonl）。 参数集中在 labs/05-rag/config.yaml；所有延迟数字都来自 M4 / 24GB 本机，换机器只比相对差异。
与前面几部分不同，这一部分用到了两个额外模型：Qwen3-Embedding-0.6B（1024 维）与 bge-reranker-v2-m3（交叉编码器）， 都走 llama-server 的本地端点，不依赖外部 API。下载与启动命令见 labs/05-rag/README.md。
有两处没有做实测，正文里也按未验证写：扫描件 OCR 与双栏版面（见 corpus/GAPS.md）。 版面分析与 ANN 的规模效应引用公开基准，不和本机数字混在同一张图里。