用途：本指南介绍如何为学术研究设计与实现检索增强生成（RAG）系统，使语言模型的生成基于外部知识库。适用场景包括对个人论文库进行问答、跨数百篇论文的文献综述、针对来源文档核查论点，以及生成带出处引用的答案。
主要能力与流程：指南给出四阶段管线。一是查询处理，将查询嵌入，可选查询扩展或 HyDE。二是检索，在向量数据库中搜索 top-k 相关片段，可选使用 cross-encoder 重排。三是上下文组装，把检索片段拼入提示词并附加来源、页码、引用等元数据。四是生成，由 LLM 基于检索上下文作答并加入行内引用。
文档分块：列出固定长度、按句、按段、按章节、递归、语义等分块策略，学术论文推荐按章节切分；示例用 RecursiveCharacterTextSplitter 设置 chunk_size、chunk_overlap 与分隔符优先级，并为每个片段附加标题、作者、年份、DOI、源文件等元数据。
嵌入与索引：对比 OpenAI text-embedding-3-small/large、Cohere embed-v3、sentence-transformers、BGE、nomic-embed-text 等模型，并列出 ChromaDB、FAISS、Pinecone、Weaviate、Qdrant、pgvector 等向量库。示例使用 BGE 模型与 ChromaDB 持久化客户端建立集合并写入向量。
检索与生成：给出基础向量检索函数（返回文本、元数据与相似度），以及结合 BM25 稀疏检索与 RRF 融合的混合检索示例；生成环节展示带引用标记的提示词模板，要求仅使用所给片段、信息不足时明确说明。
评估与最佳实践：列出检索精确率、召回率、NDCG、答案正确性、忠实度、答案相关性、上下文相关性等指标，可用 RAGAS 自动评估。最佳实践包括按章节分块、保留元数据、使用领域特定嵌入（如 SPECTER2）、检索后重排、处理表格与图、部署前系统评估。
限制：资料未提供完整可运行工程、部署步骤、具体成本核算、平台支持情形或实测效果，相关事实暂未提供。