从零开始的技术入门长文：每一步都能复制执行，每一步都有验证命令，跑通之后再顺着内链进入对应的报错排查。
bge-small-zh-v1.5 生成 512 维向量入 Meilisearch，semanticRatio 1.0 纯语义检索，6 步跑通，附 3 个坑排查入口
用 Chroma 向量数据库 + 本地 bge-small-zh 中文嵌入模型，不接任何 LLM，纯本地做语义检索：装依赖 → 指定中文嵌入模型 → 生成向量文件 → 起 Chroma server → curl 建 collection 写文档 → curl 语义查询 → 重启验证。全程请求走 REST API，7 步跑通，附 3 个常见坑排查入口。
在已跑通的 Meilisearch 本地服务上把排序完整走一遍：确认版本 → 建索引灌数据 → 撞一次未声明报错 → 声明 sortableAttributes → sort 参数（单字段/多字段 tiebreaker/文本+排序）→ 自定义排名规则常驻生效 → 规则链位置决定软硬排序，7 步跑通并附 3 个常见坑排查入口。
在已跑通的 Meilisearch 本地服务上把中文搜索走一遍：看懂 Charabia 对中文的切词（按书写系统分段 + jieba 字典分词）→ 用 dictionary 锁整词 → 用 separatorTokens/nonSeparatorTokens 定制词边界（C++/C# 整词命中、red|green|blue 能搜到）→ 用 localizedAttributes 声明字段语言 → 用 locales 查询参数覆盖自动检测，7 步跑通并附 3 个常见坑排查入口。
在已跑通的 Meilisearch 本地服务上把分面搜索与过滤完整走一遍：声明 filterableAttributes → filter 单条件与组合（AND/OR/括号/IN）→ 范围过滤（数字/日期/数组）→ facets 拿 facetDistribution 与 facetStats → facet-search 自动补全，7 步跑通并附 4 个常见坑排查入口。
按增删改查走完 Meilisearch 本地服务：装好启动、建 movies 索引、导入官方 movies.json 搜 botman、配 filterableAttributes 做过滤搜索，再依次跑通更新与删除，6 步跑通并附 4 个常见坑排查入口。
装 Ollama、拉 deepseek-r1:8b、命令行聊一轮，再用 /api/chat 拿到 thinking 与 content 分开的响应，5 步跑通并附 4 个常见坑的排查入口。
建 Maven 工程、引 langchain4j-ollama、用 ChatModel 调 qwen3:8b，再跑通流式输出，5 步完成并附 4 个常见坑的排查入口。
建 Spring Boot 工程、引 spring-ai-starter-model-ollama、把 base-url 指到本地 11434，用 ChatClient 写完同步和流式两个接口并 curl 验证，6 步跑通并附常见坑排查入口。
装 Ollama、拉 qwen3:8b、命令行聊一轮，再用 /api/chat 发一次带上下文的多轮会话，5 步跑通并附 4 个常见坑的排查入口。
引依赖、写 @Tool、接 stdio 与 Streamable HTTP 两种 MCP Server，6 步跑通 ChatClient 调用链，每步一条验证命令。
