垂直行业知识库 RAG
将以下提示词粘贴到你的 AI 对话框中：
请根据 https://skillhub.cn/install/skillhub.md，安装 @user_638e256a/knowledge-rag-v2。
技能介绍
要解决什么问题
垂直行业文档往往分散在 Word、PDF 和零散笔记里，问答时要么全文粘贴浪费上下文，要么依赖在线向量服务带来部署与合规成本。本技能把 文档导入 → 切块 → 本地索引 → 检索/问答 串成一条 CLI 流水线，并在同一套知识库上挂载三个可执行场景：高考志愿、招投标标书、法务合同审查。
如何工作
知识库层（7 条命令）：knowledge-import / knowledge-import-text 写入语料，knowledge-build 构建 纯 Python TF-IDF + 余弦相似度 索引（标准库实现，不依赖 jieba、sklearn 或 HuggingFace），随后用 knowledge-search、knowledge-ask 做检索与问答，支持 knowledge-export 导出。
场景引擎（各 3 条命令）：
- 高考：
gaokao-plan（冲稳保梯度）、gaokao-risk（滑档/退档/选科等 8 项硬检查）、gaokao-compare（两套方案五维对比） - 招投标：
bid-generate、bid-check（完整性+合规 6 项）、bid-score（模拟评标打分） - 合同：
contract-review（8 维度条款）、contract-fix、contract-compare（版本差异与利弊）
分词策略为中文逐字 + 英文按空格；可选安装 sentence-transformers 后切换语义向量搜索。格式上支持 .txt、.md、.json，.docx 需 python-docx，.pdf 需 pdfplumber。
适用边界
TF-IDF 适合关键词明确、语料规模中等的离线知识库；长文档语义改写或强同义表达时，效果不如专用 embedding 模型。三个垂直场景输出应作为 辅助决策与草稿，志愿填报、投标合规与合同法律效力仍需人工与权威数据源核对。
使用场景
- 把产品手册、制度 PDF 导入本地知识库后，用自然语言提问并基于切块语料做秒级检索与问答。
- 陕西物化生 580 分、位次约 8500 时，生成冲稳保志愿梯度并跑滑档、选科、体检等 8 项风险硬检查。
- 依据企业资质与历史标书语料，生成技术标/商务标草稿，并做完整性、合规性检查与模拟评标打分。
- 上传采购或合作合同文本，按 8 个维度标出高/中/低风险条款并给出逐条修改建议与改后表述。
适合人员
- 负责维护公司产品/制度文档、希望在无外网向量服务环境下做检索问答的知识管理员。
- 高考季需结合位次与院校专业组代码出方案、并对比两套志愿表的升学顾问或家长。
- 写招投标技术标与商务标、需要对照模板做完整性检查并预估评分的投标专员。
- 审阅供应商或客户合同、要快速定位风险条款并整理修改理由的法务/合规人员。
相关技能
根据当前分支的代码变更更新 Next.js 文档，帮助维护者检查 PR 的文档完整性。
把主题或大纲整理为层级清晰的 Markdown 思维导图，方便导入常用脑图工具。
从学者文本中提取八层推理指纹，并以九模块约束执行评审、指导、授课和小组讨论，同时给出定量评分与定性评语。
按九步复盘法引导分析失败原因、隐性收获与可控改进，输出结构化 Word 复盘报告。