Thoughts on systems design, backend engineering, AI, and the work of building useful products.
阐述 Chat Engine 作为查询引擎的有状态扩展形态，解决多轮连续对话场景。介绍 BaseChatEngine 统一接口及 AgentChatResponse 返回值结构。详解四种核心对话模式：① simple （纯聊天无检索）；② condense_question （先改写问题再查询）；③ context （直接检索再聊天）；④ condense_plus_context （改写+检索+回答的组合模式）。重点分析 Memory 机制的 token 限额管理与自动裁剪策略。
定义 Query Engine 为 RAG 编排器，负责串联"Query → Retriever → Nodes → Synthesizer → Response"全流程。详解 RetrieverQueryEngine 的 4 步执行过程（接收问题→调用检索器→调用响应生成器→返回 Response），三种构造方式（index.as_query_engine / 指定参数 / 手动组装），以及四大扩展点（替换 Retriever/Synthesizer/增加 Postprocessor/改写 Query）。强调其作为"RAG 执行中枢"的核心价值。
详解 Synthesizer（响应生成器）的 6 种模式：① refine （迭代修正，逐个 Node 滚雪球式细化答案，适合超长上下文但成本高）；② compact （紧凑打包，分组后合并局部答案，效率与效果平衡）；③ simple_summarize （全部打包一次生成，快速但可能截断信息）；④ tree_summarize （分治递归聚合，适合海量上下文）；⑤ generation （不携带上下文，纯 LLM 回答）；⑥ no_text （仅返回检索节点，不做生成）。每种模式均附 Prompt 设计分析与 Langfuse 链路图。
定义检索器的核心定位：决定 LLM 能看到什么上下文。介绍统一入口 retrieve() 的模板方法模式，以及各索引类型的检索模式差异：向量索引仅支持语义相似度检索；摘要索引支持 embedding/LLM 两种模式；对象索引依赖底层索引类型；知识图谱支持 5 种检索器（向量/同义词/Cypher/模板/自定义）；树索引支持 4 种模式（LLM 遍历/向量遍历/全量叶/全量根）；关键词表支持 3 种检索器。
介绍四种高级索引类型：① 文档摘要索引 （先概括再检索，适合宏观总结）；② 对象索引 （将任意 Python 对象序列化后通过向量索引检索）；③ 知识图谱索引 （PropertyGraphIndex 将非结构化文本转化为实体-关系三元组）；④ 树索引 （层次化结构，叶子节点为原文，父节点为摘要）。每种类型均附原理图示与代码示例。
系统讲解 VectorStoreIndex 的三种构建方式：①从已有向量存储构造；②从 Node 列表构造（可指定 StorageContext 切换底层存储）；③从文档直接构造（全自动流程）。详解 from_documents 内部工作流（分块→嵌入→写入→建索引），StorageContext 四组件职责（vector_store/docstore/index_store/graph_store），以及 as_retriever() 和 as_query_engine() 两条查询路径的区别。
解析 ChromaDB 向量数据库的核心概念（Collection/HNSW 索引/元数据过滤/持久化）及适用场景（RAG/语义搜索/推荐系统）。详细介绍 ChromaVectorStore 的初始化方式（PersistentClient/EphemeralClient/HttpClient）、向量存储与检索 API、stores_text 参数含义，以及底层数据持久化结构（SQLite + HNSW 文件）。
全面介绍向量存储的概念、职责（存储/检索/过滤）及相似度度量方法（余弦/L2/内积）。详解 SimpleVectorStore 的内存存储机制、JSON 持久化、暴力搜索查询流程，并列出优缺点。对比主流第三方向量库（Chroma/Qdrant/Milvus/Pinecone/FAISS/pgvector 等），给出不同场景的选择建议路径。
