如果备课就是提出一个问题，然后在几秒钟内拿到对应教学大纲中的正确段落，并且附带出处，会怎样？
这正是 wag.titcheur.fr 的设想：一个面向法国中等教育大纲和课程标准的语义搜索引擎，覆盖初中、普通与技术高中以及职业方向。
问题所在
官方教学大纲是公开的，却分散在 5680 份 PDF 文档中，共 4.9 GB 文本、数千页、几十个学科。想找到"八年级数学大纲里关于毕达哥拉斯定理是怎么说的"，几乎是一项壮举。传统搜索引擎只匹配词语，它们并不理解问题。
30 秒看懂原理
这个工具不靠关键词匹配，而是理解语义。
每份文档被切成约 700 个字符的小块（带重叠）。一个法英双语 AI 模型（bilingual-embedding-large，5.59 亿参数）把每个小块转换成一个 1024 个数字组成的向量，就像是语义地图中的一组坐标：谈论同一件事的两段文字会落在同一个位置，哪怕表述完全不同。
你的问题经过同样的转换。系统再在 234893 个已索引小块中寻找最近的邻居：检索变成了简单的距离计算。结果是：一句自然法语查询，无论有没有错别字，都会返回相关的官方段落，按语义接近程度排序，并附上源 PDF 的直接链接。
再加上"Élaborer"，第二个模型会只依据检索到的摘录撰写结构化回答，出处标注在括号里。
用基准测试挑选正确的"大脑"
语义引擎的成色取决于其嵌入模型。我没有跟风，也没有照搬博客文章，而是实测。
我搭建了一个隔离的基准测试装置（500 份文档，22393 个小块，30 个手工改写的问题，8 个按学科分类的问题），让三个模型同场竞技：
| 模型 | 召回率@10 | 学科纯度 | 延迟 |
|---|---|---|---|
| bilingual-embedding-large（法/英，5.59 亿参数） | 0.867 | 0.900 | 56 毫秒 |
| multilingual-e5-base（2.78 亿参数，旧模型） | 0.800 | 0.825 | 33 毫秒 |
| gte-multilingual-base（3.05 亿参数） | 0.767 | 0.862 | 40 毫秒 |
结论：法英双语模型 bilingual-embedding-large 在学科纯度上高出 7.5 分，召回率高出 6.7 分。道理很明白：在法语语料上，一个为法语训练的模型可以击败通用多语言模型。切换已经完成。但更换模型意味着改变向量维度：整座数据库将变得无法读取。这次迁移的故事值得单开一章。
岔路口：一个晚上在"一次性"集群上算完 23.4 万个小块
换模型等于换向量几何（768 → 1024 维）。现有数据库无法兼容：没有增量迁移的可能，所有小块都必须重新编码：23.4 万个。
我的笔记本（Apple Silicon M2/16）上的初步估算：一开始约 2 秒/文档，遇到大 PDF 变成 9 到 10 秒/文档。外推结果是：要跑一整夜，机器完全被占用。
转机在于：Azure 上一个现成的 k3s 集群：4 个节点、32 个 vCPU、没有 GPU，一个本就在跑其他实验的免费层级。无需创建任何基础设施。大约 1 小时内的配方：
- 导出状态，而不是从零开始：5 GB PDF + SQLite 数据库 + 已算好的部分索引（约 900 MB）传上集群。任务是可续跑的：它精确地从中断处继续；笔记本上约 2 小时的计算没有白费。
- 把语料分片成 4 个带重叠的区间，每个节点一个，并行索引。
- 用 upsert 合并分片（重叠部分自动去重），回传最终索引，原子切换，随时可以回滚。
成果：
- 约 4 小时分布式计算重编码 234893 个小块，而单机要一整夜
- 总成本：不到 10 美元，按分钟计费，任务一结束 4 台虚拟机立即释放
- 整个计算期间生产服务无中断；公共搜索一直用旧索引在线服务，直到切换
- 顺手排掉了三个 ChromaDB 的坑（读取分页、单次插入 5461 条的限制、按文档的原子性），已修复并纳入版本管理
我得到的教训：一个设计良好的批处理任务（状态可移植、可续跑、分片、合并）是数据，不是流程。它可以在一小时内从笔记本搬到集群，一个小块都不丢，也不用为 99% 时间闲置的专用基础设施买单。
技术栈
- Python / FastAPI 提供 API，界面是纯净 JS 的简洁网页
- ChromaDB（HNSW，余弦空间）作为向量数据库
- Sentence-Transformers 生成嵌入（
bilingual-embedding-large，1024 维），一个关键细节：模型要求的passage:/query:前缀，缺了它们质量会断崖式下跌 - DeepSeek 通过 API 做摘要；检索本身100% 本地、即时（< 1 秒）
- Docker 非 root（
cap_drop: ALL）、nginx + Let's Encrypt、GitLab CI/CD（SAST 和密钥检测），以及凌晨 3 点的夜间循环：重新爬取源、索引新内容、轮换数据库但不抹掉旧库 - Azure 上的 k3s（4 节点，32 vCPU，无 GPU）跑一次性批处理任务：一个晚上完成全量重索引，任务结束虚拟机立即释放
这次工程教会我的事（工程师关心的部分）
- 向量数据库的后置过滤是个陷阱：在 ANN 检索之后过滤，会以看不见的方式截断结果。我为此花了一整天，附上了对比测试。
- 公共引擎一旦引入 LLM，每次请求都在花钱：按 IP 限流（6 请求/分钟）+ 自动封禁（fail2ban），否则账单会遭殃。
- 暴露服务的每一点安全都靠小动作累积：元数据 XSS 转义、收紧 CORS、只用 SSH 密钥、最小化防火墙，以及一份已经记录到暴力破解尝试的认证日志。
- 数据优先于代码：向量数据库 staging/live 轮换，新索引不响应就自动回滚，绝不在线热覆盖。
- 用你自己的数据做基准：公开排行榜（MTEB）不能说明一切。在 500 份真实文档上，两个有说服力的模型差距高达 7 分。正是这些分数，把有用的工具和玩具区分开来。
这一切都能在页面上实时看到：一个小图表展示索引夜复一夜的增量演进。
它为什么有用
对老师来说："高中一年级的条件概率" → 大纲中的内容、预期能力与演示，精确的摘录和原始 PDF。对培训师、督学、好奇的家长来说：同一扇门，通向机构真正所说的内容。
而这只是开始：这个引擎被设计为可以吞下其他语料，小学、高等教育、法规文本……
试试看：https://wag.titcheur.fr，免费、无需注册，用法语回答。
有问题、反馈或语料创意？wag@titcheur.fr
为 199A Consulting 开发的项目：端到端的摄取、索引、加固与自动化。