Merge pull request #34 from GeoDaoyu/docs/title-md-format

fix: 修复标题#与序号顺序错误

docs/zh-cn/stage-3/ai-advanced/3.a1-rag-introduction/index.md

@@ -22,7 +22,7 @@
 
 完成本教程后，你将建立起对 RAG 技术入门级的系统性理解，不仅知其然，更知其所以然。你将获得一个清晰的蓝图，知道如何评估、选型设计一个符合企业级要求的高效、可靠且可控的 RAG 系统，为开发真正的企业级 RAG 应用打下坚实基础。
 
-1. # 为什么需要 RAG
+# 1. 为什么需要 RAG
 
 检索增强生成（Retrieval-Augmented Generation，RAG）是当前生成式 AI 中非常重要的一种技术方式。它的基本思路是：在让大模型生成回答之前，先从外部知识库中检索出与问题相关的信息，再把这些检索结果连同用户的问题一起交给模型，让模型在参考真实资料的基础上作答。这个外部知识库可以是企业内部的制度与流程文档、产品知识库，也可以是行业数据库、法规标准库等。
 
@@ -69,7 +69,7 @@
 
 因此，对希望在真实业务场景中长期、稳定、可控地使用大模型的企业而言，RAG 不是一个可有可无的增强选项，而是构建高质量企业知识应用体系时几乎不可缺少的基础技术。
 
-2. # 什么是 RAG
+# 2. 什么是 RAG
 
 RAG（Retrieval-Augmented Generation，检索增强生成）的核心思路是让大模型在回答问题时，不仅依赖训练阶段学到的静态知识，更能够实时调用外部知识库中的最新、可靠信息。
 
@@ -148,7 +148,7 @@ RAG（Retrieval-Augmented Generation，检索增强生成）的核心思路是
 
 以上展示了一个典型 RAG 系统的完整流程，让我们从整体上理解了系统包含哪些核心环节、信息如何在各阶段流转。但是，检索时如何进行向量匹配？提示词如何组织才能让模型更好地利用检索到的内容？这些决定 RAG 实际效果的技术细节，目前仍是"黑盒"。接下来，我们将深入 RAG 的内部机制，从向量化原理、相似度计算、到提示词工程等关键环节，逐步拆解 RAG 究竟是如何工作的。
 
-3. # RAG 如何工作
+# 3. RAG 如何工作
 
 我们可以通过一个“苹果”的知识库问答案例，逐步拆解它的关键环节。
 
@@ -284,7 +284,7 @@ LLM接收到上述结构化输入后，会先判断参考信息是否包含“
 
 通过以上三个实例可以看出，在检索增强生成的大模型对话阶段中，系统指令设定了LLM的角色和回答规则，检索证据提供了具体、可信的作答素材，用户问题则明确了任务目标。这种结构化的输入方式，正是RAG技术能够有效引导并约束原本可能产生“幻觉”的大模型，使其输出稳定、可靠答案的关键所在。它确保了大模型的能力被精准地应用于理解与组织已有信息，而非无根据地创造信息。
 
-4. # RAG 技术演进史
+# 4. RAG 技术演进史
 
 RAG 技术并非诞生于大模型时代，在更早期的研究中就已有雏形。从发展脉络来看，RAG 的出现源于对传统 LLM 局限性的认识。早期的大语言模型主要依赖预训练数据，这些数据往往在模型训练完成后就固定下来，无法获取后续更新的信息。例如，GPT-3 等模型的知识截止点通常在训练数据收集的日期之后，无法获取新知识。此外，重新训练或微调 LLM 以适应特定领域需要大量资源和专业知识，成本高昂且难以快速迭代。
 
@@ -384,7 +384,7 @@ Naive RAG可以理解为基础的 RAG 形态，它在工程上非常直接，典
 
 在这一阶段，RAG 已经不再只是给大模型补几段参考资料的简单组件，而逐步演变为企业级智能应用的中枢式知识编排层，负责在多数据源、多工具、多任务之间进行协调与调度。
 
-5. # 从 Demo 到企业级的 RAG 系统
+# 5. 从 Demo 到企业级的 RAG 系统
 
 从企业工程实践的角度来看，RAG 系统的构建不能仅局限于检索增强生成技术本身，前面提到的内容更多是一个 Demo 级别的介绍。由于实际业务场景中的数据往往存在质量参差不齐、格式混乱等问题，因此需要在数据预处理、清洗及导入环节投入更多精力，同时在各个关键节点做好模型选型。
 
@@ -687,7 +687,7 @@ LLM裁判的优势在于能进行更接近人类的整体性判断——它可
 
 将自建数据与公开基准结合使用，既能确保评测贴近业务实际，又能借助公共标准进行横向比对，是构建稳健评测体系的务实路径。
 
-6. # 深度研究：从比赛与开源教程中学习（Optional）
+# 6. 深度研究：从比赛与开源教程中学习（Optional）
 
 前面介绍的RAG系统原理和基础实现，虽然能帮助你快速搭建起一个可用的原型，但距离真正解决生产环境中的复杂问题还有不小的距离。如果你想深入理解更落地、更有实战价值的RAG技术，参考各大比赛的获奖方案和优质开源教程是最高效的学习路径，这些方案往往集中了优秀团队在真实场景下反复尝试后的最佳实践。
 
@@ -787,7 +787,7 @@ https://arxiv.org/pdf/2410.00005
 
 这些来自真实竞赛和开源项目的经验，为搭建更好的企业级RAG系统提供了宝贵的参考，你可以根据实际问题搜索对应的比赛，找到成熟现有方案进行尝试。
 
-7. # 广度探索：RAG 的未来演化（Optional）
+# 7. 广度探索：RAG 的未来演化（Optional）
 
 在深入掌握了RAG的实战技巧与优化方法后，你已经能够在具体场景中有效提升系统性能。然而，要全面把握RAG技术，仅靠对局部的深入钻研还不够，我们还需拓展视野，从更广阔的维度理解其演进方向与扩展空间。