Verba 驱动的 RAG 聊天工作流

问题：Agent 需要的不只是“能对话”

当 RAG 聊天机器人被塞进 Agent 工作流时，最常见的故障不是模型不会说话，而是它引用了过期、不相关或编造的上下文。直接把原始文档丢给 LLM 往往得到冗长且不可控的回复，缺少检索过滤、缺少引用校验，一旦 Agent 拿这些内容去执行下游动作，错误会被放大。

这个技能解决什么

它把工作流拆成可审查的中间态：先把限定范围的文档集导入 Verba，再配置检索与模型提供方，让聊天机器人输出带有事实依据的回答，最后由人确认上下文是否可靠，再交给 Agent 继续编排。

核心步骤包括：

• 文档摄入：将选定文档集写入 Verba，避免全量语料污染检索结果。
• 提供方配置：按需接入模型与嵌入提供方，并管理 API key。
• 回答审查：在 Agent 接管前，检查回答是否真正基于检索到的内容，而不是自由发挥。

适用边界与注意点

• 仅适合有明确文档边界和检索需求的场景，如果语料开放且动态变化，需要额外设计更新策略。
• 上游依赖 Verba、Python 3.10–3.12 或 Docker，以及 Weaviate 部署形态（embedded / cloud / Docker），环境不匹配会直接导致运行失败。
• 模型与嵌入提供方的 key 需提前配置，缺少凭证时检索链路无法完整跑通。
• 回答质量受语料本身质量限制，文档重复、结构混乱或元数据缺失会降低检索精准度。

该技能不替代完整的 Agent 框架，而是在 Agent 处理上下文之前提供一道事实性闸门。