标签：#LlamaIndex #RAG #NLP #向量数据库 #递归检索 #架构设计
📉 前言：Naive RAG 的“断章取义”之痛
基础 RAG（Naive RAG）最大的问题在于“检索单元 = 生成单元”。
你为了检索精准，把 Chunk 切得很小（比如 256 tokens）。但当这些碎片喂给 LLM 时，它们就像拼图的碎片，失去了原本的层级关系和父级上下文。
LlamaIndex 的解法是解耦：
- 检索时：用小切片（精度高）。
- 生成时：给 LLM 看大切片或父文档（上下文全）。
这就是Advanced RAG的核心。
🏗️ 一、 架构原理：从小到大的“递归”
我们要构建一种Parent-Child（父子节点）的索引结构。
- 层级索引 (Hierarchical Indexing)：将文档切成不同层级。例如，一级节点是“整章”，二级节点是“段落”，三级节点是“句子”。
- 递归检索 (Recursive Retrieval)：检索时先找到最匹配的“子节
