OpenAI API Docs
Retrieval
提供 retrieval 的官方能力说明，包括相关性、混合检索和排序等基础机制。
打开原始资料返回学习路线查看内容标准
Systems
Premium检索不是多塞资料：Retrieval 与 Grounding 的真实作用
真正可靠的系统，不会假装模型天生知道一切，而是知道什么时候必须取证、引用、保留来源和新鲜度。
28 分钟
Intermediate
Trust Layer
这节课为什么值得学
内容不是从碎片信息拼出来的，而是按“官方资料定义 + 产品实践抽象 + 可执行练习”三层整理。
Learning Objectives
区分“把资料塞进上下文”和“设计可验证的 grounding 链路”之间的差别
学会判断什么时候该直接回答，什么时候必须先检索并引用来源
把一个真实工作流改造成带查询、筛选、注入和引用的检索链
Practice Task
选一个你当前依赖最新事实、文档或知识库的 AI 工作流，写出它的 retrieval 链：用户问题如何变成查询、结果如何筛选、哪些证据会进入上下文、最后如何把来源展示给用户。
Editorial Review
已审核 · DepthPilot Editorial · 2026-03-09
课程中的 retrieval、相关性和上下文筛选原则锚定在官方 retrieval 与 context 文档。
课程强调 grounding 的可追溯性，而不是只讲“接一个向量库”。
本课把检索链明确拆成查询、筛选、注入、引用四步，方便迁移到真实工作流。
知识链路
这节课不是孤立文章，而是知识网络里的一个节点。先知道它连接了哪些底层能力，再决定下一步该补哪一层。
打开完整知识网络学会的证据
你能把一个真实问题改写成检索链：查询、筛选、注入和引用四步都说清楚。
你能判断一次错误到底是缺证据、证据过时，还是检索结果噪声太大，而不是继续怪模型记不住。
最容易掉进去的误区
把更多文档塞进 prompt，误当成已经做了 retrieval。
自称 grounded，却没有来源、时间戳或筛选规则，最后还是在让用户盲信。
01
检索不是把更多文字塞给模型
很多人做 RAG 的第一反应，是把更多文档块扔进 prompt，希望模型自动变准。但真正的 retrieval 不是扩上下文，而是控制证据进入系统的方式。你需要考虑的是：问什么、取什么、为什么是这些、它们是否最新、是否相关、是否应该被用户看到来源。