R2R 生产级代理式 RAG

解决什么问题

把文档塞进向量库只是第一步。真正上线 RAG 时，你会很快遇到三类问题：单一向量检索召回不全，关键词能命中的精确术语被语义改写吞掉；智能体拿到答案却给不出引用，无法回溯来源；文档写入、更新、删除这些操作散落在脚本里，没有审计线索。这个技能的目标不是再写一个 demo，而是把 R2R 服务作为可运维的检索后端，让代理拿到的是带引用、可审阅的检索结果。

它如何工作

核心是围绕 R2R 服务组织三层能力：

• 文档摄入：把已有语料通过 R2R 服务导入，形成可检索的知识库。
• 混合检索：暴露混合检索 API，同时利用向量语义与关键词匹配，缓解纯向量检索对专有名词、编号、精确短语的召回短板。
• 代理式 RAG：在检索之上提供面向智能体调用的接口，回答附带 citation，智能体可以据此验证或进一步追问。
• 可审阅的文档操作：文档相关操作走服务侧接口，便于审查和追踪，而不是散落在临时脚本里。

配套能力包括 Python 或 Docker 运行 R2R server、所选模型供应商的 API key、可选的 JavaScript SDK，官方文档在 r2r-docs.sciphi.ai。

适用边界与注意点

• 该技能没有自动提取到有源码支撑的安装与使用说明，需要在接入前自行阅读上游仓库 1991513ccie-png/skills 确认细节。
• 在敏感流程中运行前，务必先审查上游项目，确认文档摄入与检索接口的行为符合你的合规要求。
• 它假设你已有可运行的 R2R 服务与模型访问凭证，适合作为后端服务接入，而不是零依赖的开箱即用包。