前言这方面，向量写入数据库之后怎样真正用起来？

上一篇完成的是 RAG 的索引链路：

↓加载与分块
↓文档向量化
↓写入 LanceDB

完成索引并不代表程序已经能够回答问题。

当使用者提问时程序还要执行另一条查询链路：

使用者问题
↓选择知识库查询工具
↓把问题转换成查询向量
↓在 LanceDB 中执行相似度搜索
↓返回 Top-K 个相关片段
↓大语言模型结合片段组织答案

索引链路与查询链路使用相同的 Embedding 模型，但处理对象不同：

链路	输入	Embedding 方法	结果
索引链路文档片段	embedDocuments	文档向量。长期保存在 LanceDB
查询链路使用者问题	embedQuery	查询向量，通常只用于本次搜索

今天聊聊结合 CorpRAG 当前的以下模块展开：

• src/stdio.ts启动 MCP Server，并通过 stdio 与客户端通信；老实说，
• src/mcp/server.ts注册 ext_queryfr_queryga_query 等 MCP 工具；

说到使用者痛点一。索引后无法直接回答，导致功能失效。

一、先看完整的 RAG 查询链路

最终回答不是由 MCP Server 直接生成的，而是由具备对话能力的外部大语言模型生成。

完整链路可以表示为：

使用者向 Claude Code 提问
↓Claude Code 理解问题和 Skill 规则
↓选择 ext_query / fr_query / ga_query
↓通过 MCP 协议发送 question、docType
↓CorpRAG MCP Server 接收工具调用
↓querySystem 选择 BADR/FADR 向量表
↓openVectorStore 打开已有 LanceDB 表
↓similaritySearch 将 question 转为查询向量
↓LanceDB 搜索距离最近的文档向量
↓返回 Document
…，老实说，

再看使用者痛点二。多层职责混淆导致调试困难。

. Skill 负责告诉客户端“何时还有怎样调用工具”

. MCP 负责连接 AI 客户端和 CorpRAG

. 外部大语言模型负责生成最终答案

二、查询链路为什么仍然需要 Embedding？老实说，

使用者痛点三的观点是。 仅做字符串匹配会导致语义不匹配。不过，

三、索引和查询必须使用同一个 Embedding 模型

使用者痛点四这方面。切换模型后未重新建立索引导致错误。

四、MCP Server 如何接收使用者问题？

1) 使用 stdio 启动 MCP Server

2) 为每个程序注册一个查询工具

五、Claude Code、Skill 与 MCP 如何协作？

六、querySystem 怎么选知识库？

七、如何确定向量表名 — 表名不一致导致“已建表但查不到”报错！ 使用者痛点五：- 表名拼写错误或方法配置不统一，检索失败。八、openVectorStore 如何打开已有向量表？— 忘记返回实例会导致 undefined 引发错误！ 使用者痛点六：- 未完成 openVectorStore 的实现导致无法进行 similaritySearch。

九、similaritySearch 如何把问题转换成查询向量？— 理解内部调用才能定位 embedding 问题！ 使用者痛点七：- 没有看到 embedQuery 调用时产生的异常。" /section>

---