技能介绍

问题背景

当你的 AI Agent 依赖静态训练权重来回答用户提问时，模型经常会陷入“幻觉”。要么编造出看似合理但实际不存在的 API 方法，要么引用早已过时的业务逻辑。在真实的工程环境中，模型必须依赖你的私有知识库或最新文档来进行有据可依的回答。这个技能要解决的问题，就是如何从海量文档中精准捞出相关片段，并确保模型的每一步输出都能溯源到具体来源。

核心工作流

这个技能覆盖了一套标准的 RAG（检索增强生成）检索管线，将非结构化数据转化为模型可读的上下文：

语义与关键词混合检索：单纯的向量检索容易漏掉精确的技术专有名词，而传统的 BM25 关键词匹配又无法理解同义词。该技能支持将两者融合，确保召回率与精确率。
高精度重排（Rerank）：初步检索通常会返回 10 到 20 个候选 chunks。技能会调用 cross-encoder 重排模型对这些候选进行全注意力评分，最终只保留相关性最高的前 3 到 5 条结果。
上下文组装与引用：检索结果会按相关度降序拼接成 context window。每个片段都会附带 source metadata（如文件路径、URL、页码），以便在最终输出时生成清晰的行内引用。
生成约束：组装好的上下文与原始查询会共同注入提示词，引导 LLM 仅基于给定事实作答，从而大幅降低幻觉。

适用边界与注意点

依赖预建索引：该技能无法处理“裸”文档，它需要你提前完成文档切分（Chunking），并将向量化后的索引存入如 Pinecone 或 Weaviate 等向量数据库中。
应对冲突与陈旧数据：若检索到的文档存在信息冲突，应如实向用户展示矛盾点，而非掩盖；对于带有时间戳的文档，在得分相近时应优先采信最新内容。
低置信度处理：当最高检索得分低于 0.5 等置信度阈值时，Agent 应明确承认知识储备不足，而不是强行拼凑答案。