OpenAI 无向量化 RAG 范例链路解析

这套教程讲什么

解析 OpenAI 官方 cookbook 里一个无需向量化的 RAG 范例：先交代什么是 RAG，再整体分析这条链路的组织方式，最后做代码概览。视频偏范例拆解与思路说明，适合看过常规向量检索方案、想对比另一种实现取向的开发者。

你会学到什么

• 先补充 RAG 的基本概念再进入范例
• 整体分析无需向量化方案的执行链路
• 对官方范例代码做结构与流程概览

适合谁

适合熟悉向量库那套 RAG、想看看不用向量化该怎么做检索，并愿意读官方范例代码的开发者。

学习建议

建议把范例仓库打开放在旁边对照，先跟着链路图走一遍，再重点看它用什么替代了向量相似度检索。

常见问题

不用向量化还能怎么做检索增强？

可以借助模型本身的能力做筛选：例如先用结构化元数据缩小范围，把候选文档直接交给长上下文模型判断相关性，或用关键词与全文检索召回。取舍是省去了嵌入与向量库维护，但更依赖模型的阅读与判断能力。

什么情况下不适合上向量数据库？

资料量小、更新不频繁、文档结构清晰，或团队不想引入额外基础设施时，直接检索加长上下文往往更省事。反之文档海量、需要毫秒级召回与语义模糊匹配时，向量库仍更划算，分界主要在规模与延迟。