第 3 阶段：函数调用 + RAG 基础

周期： 5 周（Phase 3 / Week 1-5，独立编号，非全局周号） 目标： 掌握 Agent 的两大核心能力——调用外部工具、检索外部知识。 关键产出物： 个人知识助手雏形（作品集项目 #1）

阶段目标

聊天机器人只能"用模型已有的知识回答"。真正的 Agent 需要：

调用外部工具（Function Calling）— 让 LLM 能"动手"
检索外部知识（RAG）— 让 LLM 能"查资料"

本阶段是 Agent 区别于聊天机器人的关键，也是你第一个作品集项目的起点。

进度追踪

⏱ 耗时参考（预估，第一轮内测后补真实数据）
学习者画像实际/计划周数卡点高发周
没用过向量库 / 数据库 1.3–1.4x（6–7 周） Week 2（Embedding 抽象）、Week 3（切分策略）
有后端/数据库经验 1.1x（5–6 周） Week 4（Hybrid Search 调参）
RAG 已有雏形经验 1.0x（5 周） —
关键提醒： Week 4（RAG 优化）的"准确率从 60% 提升到 85%"是一个反复试错的过程，调一次切分策略可能要重跑整个评测集。预算 API 费用时，请给 Week 4 留出 2x 的调用量。
回填约定： 学习本阶段时，每周用复盘模板记录实际耗时；本阶段完成后，把实测周数回填到上表，并将标题中的"预估"改为"实测"。

学习者画像	实际/计划周数	卡点高发周
没用过向量库 / 数据库	1.3–1.4x（6–7 周）	Week 2（Embedding 抽象）、Week 3（切分策略）
有后端/数据库经验	1.1x（5–6 周）	Week 4（Hybrid Search 调参）
RAG 已有雏形经验	1.0x（5 周）	—

[ ] Week 1 - Function Calling 深入
[ ] Week 2 - RAG 基础：Embedding 与向量数据库
[ ] Week 3 - RAG 流水线
[ ] Week 4 - RAG 进阶：检索优化
[ ] Week 5 - 阶段性整合项目
[ ] 阶段产出物：个人知识助手雏形

降级提示： 时间不够时——P2（可砍）：HyDE、Step-Back、向量索引算法深挖；P1（降为跑通 demo）：Hybrid Search、Reranking、RAGAS；P0（不可砍）：Function Calling 协议 + 基础 RAG 流水线 + 知识助手雏形。作品集 #1 雏形必须能跑。

Week 1 - Function Calling 深入

核心思路： 第 1 阶段你接触过 Function Calling，这周深入理解它的工程化使用。

本周学什么（一句话概览）： OpenAI vs Anthropic 两套协议对比、JSON Schema 工具定义、多工具编排与并行调用、工具执行的工程化（错误处理/超时/重试/权限）。详细代码见每日计划。

产出物

扩展第 2 阶段的聊天机器人，支持 3+ 工具：

查天气（调用免费天气 API）
算数学（用 Python eval 沙箱）
查时间（时区转换）
查汇率（调用汇率 API）

每个工具都要有完整的错误处理。

🔐 安全提示（从第一个工具开始养成习惯）：
参数校验： 所有工具入参用 Pydantic 做 schema 强校验，拒绝越界参数
最小权限： 危险操作（写文件、发邮件、调外部付费 API）必须加白名单或人工确认
审计日志： 记录每次工具调用的参数、结果、耗时，出问题时能回溯
这些习惯在 Phase 4-6 做多工具 Agent 时会被放大——一个不安全的小工具被 LLM 循环调用 10 次，后果不堪设想

Week 2 - RAG 基础：Embedding 与向量数据库

核心思路： RAG 的第一步是"把文本变成向量，能按语义搜索"。

本周学什么（一句话概览）： Embedding 原理（文本→高维向量→语义空间）、主流 Embedding 模型选型（OpenAI/BGE/Cohere）、向量数据库入门（Chroma/Qdrant/Pgvector）、相似度搜索（Cosine/L2）。Embedding 模型对比表和向量库选型见下方参考。详细代码见每日计划。

Embedding 模型参考：

模型	维度	优势	适用场景
OpenAI text-embedding-3-small	1536	便宜、效果好	通用
OpenAI text-embedding-3-large	3072	效果最好	高精度
BGE-M3	1024	开源、中文好	本地部署、中文
Cohere embed-v3	1024	多语言	多语言场景

产出物

建立一个 100 条文档的小知识库：

用你自己的笔记 / Notion / Obsidian 内容
实现"语义搜索"：输入 query，返回最相似的 5 条文档
对比不同 Embedding 模型的搜索效果

Week 3 - RAG 流水线

核心思路： 把 Embedding + 向量库 + LLM 串成完整的"文档问答"系统。

本周学什么（一句话概览）： 文档加载（PDF/Markdown/网页）、切分策略（固定/递归/语义/父子文档）、完整 RAG 流程（加载→切分→入库→检索→生成）、引用溯源、RAG 专用 Prompt 设计。详细代码见每日计划。

产出物

文档问答机器人 v1：

上传 PDF / Markdown 文件
自动切分、Embedding、入库
提问 → 检索 → 生成回答
回答附带引用来源

Week 4 - RAG 进阶：检索优化

核心思路： 基础 RAG 效果通常一般（60-70% 准确率），进阶优化能提升到 85%+。

本周学什么（一句话概览）： Hybrid Search（BM25+向量+RRF 融合）、Reranking（Cohere/BGE 重排序）、Query 改写（HyDE/Multi-Query/Step-Back）、上下文压缩、RAGAS 评测框架。详细代码见每日计划。

产出物

用评测集对比不同 RAG 策略：

Baseline：纯向量检索
V2：Hybrid Search
V3：Hybrid + Reranking
V4：V3 + HyDE
输出对比报告（准确率、延迟、成本）

Week 5 - 阶段性整合项目

核心思路： 把 Function Calling + RAG 结合，做出第一个作品集项目的雏形。

项目：个人知识助手

功能需求：

知识库管理：上传、删除、更新文档
智能问答：基于知识库回答问题（RAG）
工具调用：
- 查本地知识库
- 调用外部 API（如查天气、查时间）
- 记录笔记（写入文件 / Notion）
跨会话记忆：记住用户偏好

技术架构：

用户输入 → Agent 决策
            ↓
      ┌─────┴─────┐
      ↓           ↓
   RAG 检索    其他工具
      ↓           ↓
      └─────┬─────┘
            ↓
         LLM 综合
            ↓
         输出回答

工程要求：

完整的日志（每次调用记录）
错误处理和重试
评测集（至少 30 条）
LangSmith trace 接入

产出物

作品集项目 #1 雏形：

代码托管在 GitHub
完整 README（架构图、使用说明）
至少 3 个核心功能的演示
评测报告（基线分数）

这个项目会在第 6 阶段打磨上线，加入 Web UI 和用户系统。

阶段总结与自检

完成标准

[ ] 能定义复杂的 Function Calling schema
[ ] 能实现多工具编排和错误处理
[ ] 理解 Embedding 原理，能选合适的模型
[ ] 能用 Chroma / Qdrant 建立向量库
[ ] 能实现完整的 RAG 流水线
[ ] 能用 Hybrid Search + Reranking 优化 RAG
[ ] 能用 RAGAS 或类似工具评测 RAG
[ ] 个人知识助手雏形可运行、有评测

常见卡点

卡点	解决方案
RAG 效果差	先检查切分策略，再试 Hybrid + Rerank
工具调用不稳定	检查工具描述是否清晰，加 Few-shot
向量库选型纠结	先用 Chroma，生产再换 Qdrant
长文档 Lost in Middle	用 Rerank 或 Map-Reduce

下一步

进入第 4 阶段：Agent 核心架构 + LangGraph

第 3 阶段：函数调用 + RAG 基础

阶段目标

进度追踪

Week 1 - Function Calling 深入

产出物

推荐资源

Week 2 - RAG 基础：Embedding 与向量数据库

产出物

推荐资源

Week 3 - RAG 流水线

产出物

推荐资源

Week 4 - RAG 进阶：检索优化

产出物

推荐资源

Week 5 - 阶段性整合项目

项目：个人知识助手

产出物

阶段总结与自检

完成标准

常见卡点

下一步

第 3 阶段：函数调用 + RAG 基础 ​

阶段目标 ​

进度追踪 ​

Week 1 - Function Calling 深入 ​

产出物 ​

推荐资源 ​

Week 2 - RAG 基础：Embedding 与向量数据库 ​

产出物 ​

推荐资源 ​

Week 3 - RAG 流水线 ​

产出物 ​

推荐资源 ​

Week 4 - RAG 进阶：检索优化 ​

产出物 ​

推荐资源 ​

Week 5 - 阶段性整合项目 ​

项目：个人知识助手 ​

产出物 ​

阶段总结与自检 ​

完成标准 ​

常见卡点 ​

下一步 ​

第 3 阶段：函数调用 + RAG 基础

阶段目标

进度追踪

Week 1 - Function Calling 深入

产出物

推荐资源

Week 2 - RAG 基础：Embedding 与向量数据库

产出物

推荐资源

Week 3 - RAG 流水线

产出物

推荐资源

Week 4 - RAG 进阶：检索优化

产出物

推荐资源

Week 5 - 阶段性整合项目

项目：个人知识助手

产出物

阶段总结与自检

完成标准

常见卡点

下一步