技能介绍

语义搜索与 RAG 落地的真实瓶颈

在构建语义搜索、推荐系统或 RAG 应用时，开发者常面临方案难以落地的困境。问题往往不在模型本身，而在于底层的向量数据库设计：文档切分粒度不当导致召回率低，元数据过滤机制缺失使得检索结果偏离业务约束，索引参数盲目照搬导致延迟和内存溢出。此外，缺乏系统性的评测标准，让检索效果的迭代变成“盲人摸象”。

从目标到可执行方案的工作方式

该技能旨在将模糊的业务目标转化为具体、可检查的工程方案。其核心能力包括：

数据建模与切分策略设计
索引选择与混合检索融合
效果评测基于真实问句

在交互中，它遵循“先给结果，再解释取舍”的原则，最多追问 3 个关键参数即可输出包含集合与字段设计的结构化方案。每次交付不仅包含直接可用的脚本或命令，还会附带判断依据和验收清单，确保你能自行验证检索质量（如 Recall@K）。对于复杂项目，它会引导你遵循标准工作流，从明确数据规模到建立相关性标注，并在召回、延迟与成本之间寻找平衡。

适用边界与工程注意点

需要明确的是，在缺乏真实数据分布的情况下，技能只能提供合理的初始参数，而非最终的生产配置。向量相似度并不等同于事实正确性，RAG 系统仍需结合大模型的生成能力与事实校验机制。此外，关于容量和性能的结论，必须在目标硬件与真实负载下进行压测验证。涉及写入、删除或权限变更等高风险动作时，技能会严格区分“规划建议”与“已执行”状态，并强制要求人工确认，以保障生产环境的安全。