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。

通过少量输入输出示例和 Python 提示词模板，理解如何约束模型行为，并构建可复用、易测试的请求。

从任务、上下文、约束和输出格式四个部分拆解提示词，使用一个最小 Python 示例写出更稳定、可验证的模型请求。

理解模型选择的核心权衡：能力、延迟与价格，学会按任务匹配模型档次，并用 usage 字段估算每次 API 调用的成本。