朴素 RAG 只会拿用户原话向量检索一遍，碰到口语化表达、同义换说法、含精确编号的问题就会漏召回。本篇以一份「生活笔记」个人知识库为例，讲透企业级 RAG 的三大升级：LLM 把问题改写成 3 条多角度问句、每条问句分别走 Elasticsearch 关键词检索与 Milvus 语义检索再合并去重、用 Rerank 交叉编码模型精筛出与原始问题最相关的 3 篇文档喂给大模型。每环节配最小可运行代码，最后用 LangGraph 把整条流水线串起来。适合已掌握基础 RAG、想理解检索质量优化与生产级架构的学习者。

系统梳理 LangChain.js 的 9 个 Prompt Template 相关 API——基础模板、对话模板、Few-Shot 示例、示例选择器与流水线组装，附带可直接照抄的最小代码示例。

milvus增删改查

Milvus 数据结构存储 & 与 MySQL 异同

在 **WSL2 终端**中启动 Milvus 单机版（etcd + MinIO + Milvus）