从一个天气查询示例理解 Tool Calling 的工作边界，并用 OpenAI Responses API 写出模型请求、程序执行、结果回传的最小闭环。

从召回不足、上下文噪声和无依据回答三个角度认识 RAG 常见问题，并用纯 Python 建立一个可运行的基础评估闭环。

理解 RAG 中召回和重排的分工，用纯 Python 完成一个可运行的候选排序示例，并为回答保留可追溯引用。

用纯 Python 实现一个可运行的本地 RAG 最小闭环，理解文档检索、上下文组装和基于证据回答的关系。

认识向量数据库的集合、向量和元数据，用 Chroma 保存并检索本地向量，完成一个可验证的最小语义检索示例。

从文档切分的目标出发，用 Python 实现保留来源信息的最小切分器，并理解元数据如何支撑检索、引用与调试。

理解 Embedding 如何把文本映射为向量，并用 Python 调用 API 和计算余弦相似度，完成第一个语义相似度实验。

用版本化提示词、固定测试样例和简单断言建立回归检查，避免一次提示词修改悄悄破坏已有能力。

用 Pydantic 校验模型输出，在结构错误时进行有限次自动修复，建立可验证而不是盲目信任的 AI 调用流程。

了解长文本为什么需要分块，使用 Python 实现按段落切分，并把分块摘要组织成一次最终总结。