知识库语义检索（RAG）使用速查：三种入口、常用命令、分数解读与重建时机。30 秒扫完即可上手；详细架构见 outputs/2026-09-13-RAG语义检索实现.md。

三种入口

场景	怎么用	说明
本机 CMD（知识库目录）	rag 你的问题	根目录 rag.bat 快捷命令，自动用专用环境检索（推荐）
Claude Code 会话	/rag 你的问题	自动检索全库 → 输出带来源的相关片段 → 基于片段回答并标注来源
豆包会话	直接提问	豆包即用同一套 RAG 检索知识库回答

所有命令在知识库根目录 D:\auto_ai_Obsidian\auto_ai知识库 下运行。

命令速查

:: 普通检索（top5 片段预览）
rag "Dijkstra最短路径算法怎么用"

:: 指定返回条数 + 上下文模式（把检索结果拼好交给 LLM）
rag "Flask 里 SQLAlchemy 怎么用" -k 5 --context

:: 内容刚更新过、检索不到时：先重建索引再查（约 40 秒）
rag --build

环境说明

• rag 命令实际调用 scripts\rag_search.py，Python 环境为独立 venv：D:\auto_ai_Obsidian\.rag-venv（fastembed + jieba + numpy，已装好）
• 系统 CMD 自带的 python（如 3.9）没有这些依赖，直接 python scripts\rag_search.py 会报错——请始终用 rag 命令
• embedding 模型复用缓存 D:\auto_ai_Obsidian\.rag-models\，首次运行免下载；索引产物在 outputs/rag/

分数解读

相关度	含义	处理
≥ 0.6	高质量命中	直接采信
0.42 ~ 0.6	相关但需确认	打开来源文章核实
< 0.42	无关（自动拦截）	提示"超出知识库范围"，需补充材料到 raw/ 或 /research

什么时候要重建索引

• wiki / research 新增或修改文章后（下次检索前重建一次即可）
• 命令行：rag --build（约 40 秒，产出 outputs/rag/ 三件套）
• 模型缓存位于知识库外的 D:\auto_ai_Obsidian\.rag-models\，换环境首次运行自动下载（约 100MB，走国内镜像）

常见问题

• 检索不到刚写的内容？ 索引是构建时快照，先重建再查
• 代码/英文术语查不准？ 已内置术语命中加权（SQLAlchemy、MCP 等），一般没问题；若仍弱，问题本身可能超出知识库范围
• 结果里有 research 笔记？ 正式检索优先 wiki 文章（research 已降权），research 命中时说明 wiki 该主题待编译，可 /compile
• 想保留测试？ 回归测试脚本为临时文件（16 条用例），需要时可按 _changelog 第 31 轮记录重建