大翔在周会上表态："客服 AI 必须知道我们公司所有产品信息，不能跟用户说'我不知道'。"白歌点点头："是时候启动 RAG 了——让 AI 基于我们自己的文档库回答问题。"

检索增强生成（RAG）

本章定位

本章解决的核心问题：让 AI 掌握私有数据，基于飞翔科技内部文档（产品手册、制度汇编）生成真实可靠的回答。

学习顺序说明：先理解 RAG 为什么能减少幻觉 → 掌握 Spring AI 中实现 RAG 的核心组件 QuestionAnswerAdvisor → 最后通过飞翔科技智能客服的完整案例融会贯通。

文件	一句话角色
`RAG核心机制与流程.md`	RAG 的理论基础——三段式架构的原理与 Mermaid 全流程。
`QuestionAnswerAdvisor详解.md`	一键启动 RAG 的 Spring AI 核心组件，深度拆解其自动注入机制。
`RAG实战案例.md`	飞翔科技智能客服完整实现（ETL 注入 + RAG 查询一体）。

第 6 章的 ETL Pipeline 完成了数据注入，现在向量库中有 375 条可检索片段。本章将利用这些数据，通过 RAG 让 ChatClient 基于真实文档生成回答——这是从"通用 AI"到"企业 AI"的关键一跃。