從零開始的技術入門長文：每一步都能複製執行，每一步都有驗證命令，跑通之後再順著內鏈進入對應的報錯排查。
bge-small-zh-v1.5 生成 512 維向量入 Meilisearch，semanticRatio 1.0 純語義檢索，6 步跑通，附 3 個坑排查入口
用 Chroma 向量數據庫 + 本地 bge-small-zh 中文嵌入模型，不接任何 LLM，純本地做語義檢索：裝依賴 → 指定中文嵌入模型 → 生成向量文件 → 起 Chroma server → curl 建 collection 寫文檔 → curl 語義查詢 → 重啟驗證。全程請求走 REST API，7 步跑通，附 3 個常見坑排查入口。
在已跑通的 Meilisearch 本地服務上把排序完整走一遍：確認版本 → 建索引灌數據 → 撞一次未聲明報錯 → 聲明 sortableAttributes → sort 參數（單字段/多字段 tiebreaker/文本+排序）→ 自定義排名規則常駐生效 → 規則鏈位置決定軟硬排序，7 步跑通並附 3 個常見坑排查入口。
在已跑通的 Meilisearch 本地服務上把中文搜索走一遍：看懂 Charabia 對中文的切詞（按書寫系統分段 + jieba 字典分詞）→ 用 dictionary 鎖整詞 → 用 separatorTokens/nonSeparatorTokens 定製詞邊界（C++/C# 整詞命中、red|green|blue 能搜到）→ 用 localizedAttributes 聲明字段語言 → 用 locales 查詢參數覆蓋自動檢測，7 步跑通並附 3 個常見坑排查入口。
在已跑通的 Meilisearch 本地服務上把分面搜索與過濾完整走一遍：聲明 filterableAttributes → filter 單條件與組合（AND/OR/括號/IN）→ 範圍過濾（數字/日期/陣列）→ facets 拿 facetDistribution 與 facetStats → facet-search 自動補全，7 步跑通並附 4 個常見坑排查入口。
按增刪改查走完 Meilisearch 本地服務：裝好啟動、建 movies 索引、導入官方 movies.json 搜 botman、配 filterableAttributes 做過濾搜索，再依次跑通更新與刪除，6 步跑通並附 4 個常見坑排查入口。
裝 Ollama、拉 deepseek-r1:8b、命令行聊一輪，再用 /api/chat 拿到 thinking 與 content 分開的響應，5 步跑通並附 4 個常見坑的排查入口。
建 Maven 工程、引 langchain4j-ollama、用 ChatModel 調 qwen3:8b，再跑通流式輸出，5 步完成並附 4 個常見坑的排查入口。
建 Spring Boot 工程、引 spring-ai-starter-model-ollama、把 base-url 指到本地 11434，用 ChatClient 寫完同步和流式兩個接口並 curl 驗證，6 步跑通並附常見坑排查入口。
裝 Ollama、拉 qwen3:8b、命令行聊一輪，再用 /api/chat 發一次帶上下文的多輪會話，5 步跑通並附 4 個常見坑的排查入口。
引依賴、寫 @Tool、接 stdio 與 Streamable HTTP 兩種 MCP Server，6 步跑通 ChatClient 調用鏈，每步一條驗證命令。
