第一章：LEANN概述与核心概念

第一章：LEANN概述与核心概念

本章跟着一条线走：先问「为什么边缘设备需要轻量神经架构」，再看检索增强如何给小模型减负，接着定位 LEANN 的角色与能力边界，最后落到四个可以考核的知识点。

我们先把「轻量」和「神经架构」拆开理解。轻量指的是参数量、显存占用、推理延迟都受约束；神经架构指的是系统里确实有一段可训练的网络，负责把检索回来的候选做语义重排，而不是简单按相似度排序。两者合起来，LEANN 的灵魂是「小网络 + 外部记忆」的分工。

本章不写代码，先把三个判断装进脑子。第一，LEANN 不是把大模型缩小，而是换了一种智能的组织方式。第二，它的强项在「知识密集但可检索」的任务，弱项在「需要长链条推理且不可检索」的任务。第三，它的工程价值来自可控：内存上限、延迟上限都能提前算出来。

读完本章你应该能回答四个问题：LEANN 的定义与目标是什么；它的发展历程和开源生态怎样；它的核心特性相比纯向量库好在哪；哪些场景它真正合适。这四个问题就是本章的可考核知识点。

四节是怎么安排的

• 1.1 定义与目标：先立定义，把「检索增强」与「轻量级」两个限定词拆开，各讲清解决什么约束，再给一个用 numpy 写的最小重排头，让你直观看到「网络只负责重排、知识留在外部」的分工长什么样。
• 1.2 发展历程与开源生态：讲清 LEANN 是从哪一类工程需求里长出来的，和已有的向量库、嵌入模型生态是什么关系，帮你判断它的成熟度与可借鉴对象。
• 1.3 核心特性与优势：把它与「纯向量检索」逐项对比，说清多了什么、少了什么、代价在哪，避免把它当成包打天下的工具。
• 1.4 典型应用场景：给一把「长尾 × 可检索」两轴判定尺，配真实剖面案例，让你能对着自己的业务做可行性预检。

学本章前要确认的几件事

• 会用 Python 基础语法，能读懂 numpy 数组运算即可，本章不涉及嵌入式知识。
• 知道向量是什么、余弦相似度的大致含义，不需要会推导公式。
• 不用提前准备硬件，本章全部结论在普通电脑上就能验证。
• 如果你在边缘设备上做过任何部署，哪怕只是跑通一个 demo，理解本章会快得多。

常见的三个认知偏差

• 把 LEANN 当成「压缩版大模型」：它不是，它是「小网络 + 外部记忆」的结构性分工，不是参数缩减。
• 以为检索增强只在云端有价值：恰恰相反，它的主战场正是算力受限的边缘端，云端只是它的验证场之一。
• 跳过 1.4 直接进入第二章：场景判断决定你该不该学下去，先花十分钟对照自己的业务过一遍，再决定投入多少。

章节间的依赖关系

• 第一章是纯概念层，不依赖后续任何章节，可以先读后放，不影响主线。
• 第二章的嵌入、索引、检索、重排四模块，正是第三章动手时你要真刀真枪跑起来的对象，概念先在这里对齐。
• 第四章的混合检索会用到第二章的相似度概念；第五章的性能调优要基于第三章的 API 才能测量，所以建议按顺序推进。
• 若时间紧，可先精读 1.1 与 1.4，中间两节放到读完第二、三章后再回补，不会断掉主线。

本章的学习目标再收敛

第一章的四个知识点不是并列的，而是递进的：先接受定义，再知道来历，接着对比优势，最后判断场景。递进的意义在于——只有走完四步，你才具备「对业务说清楚 LEANN 该不该用」的能力，这正是后续章节所有工程动作的前提。建议学完后用一句话向同事复述定义，如果一句话讲不清，回 1.1 再看一遍。

知识地图：读完本章你的脑子里该有的结构

• 一个定义：检索增强为骨架、轻量网络为决策头的架构范式。
• 两条轴：长尾与可检索，用来判断场景。
• 三个判断：不是缩小大模型、强项在可检索任务、工程价值在可控。
• 四个问题：定义、历程、特性、场景，即本章可考核点。

这张地图就是本章的压缩版，也是你进入第二章前该有的全部认知。

下一章我们会掀开盖子，看这套分工在内部到底由哪些模块组成、数据怎么流动。