RAG知识库落地包生成器
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_af163eaa/z-rag-kb-pack-gen
技能介绍
它解决什么问题
把一堆 PDF、Word 文档、网页或数据库记录变成「能问答的系统」,中间有一整套绕不开的工程环节:文档怎么切、嵌入模型选哪个、向量库存哪里、检索结果怎么拼进提示词。很多人知道 RAG 的大致概念,却卡在 load_your_docs 之后的第一步——chunk_size 设多大、overlap 留百分之几、向量搜索和关键词搜索要不要混合、重排(rerank)加不加,最后只能逐个模块试错。
技能如何工作
把技能当作按步骤推进的方案生成器,而不是一键打包的黑盒。
1. 收语料画像
用户提供:文档类型(PDF / Word / 网页 / 数据库)、规模(几十到几百万字)、问答精度要求、是否中文为主、部署环境(本地 / 云)。这一步直接决定后面每一项选型的取值范围。
2. 定分块策略
给出 chunk 大小(如 500–800 字,或按标题层级递归切分)、overlap(10–15%)、是否保留元数据(来源 / 页码)。
3. 定方案
- 嵌入模型:中文优先
bge/m3e/ 阿里text-embedding等 - 向量库:轻量用
faiss/chroma,分布式用milvus/qdrant - 检索:向量 + 关键词混合 / 重排
rerank
4. 出产物
- 分块策略说明
ingestion示例代码(Python,覆盖 读取 → 切分 → 嵌入 → 入库 → 检索 → 拼提示词问答 的最小可跑骨架)- 向量库 / 嵌入模型选型对比与推荐
- 部署与调用说明(含如何接大模型做最终回答)
5. 给最小示例
最后贴一段可直接改路径运行的 ingestion 片段,按实际选型替换模型和向量库即可开始验证。
适用边界与注意点
- 仅问「RAG 是什么」的科普:给简要说明即可
- 涉密 / 合规受限资料:提示用户先做脱敏,不代处理原始敏感数据
- 不承诺「开箱即得 100% 准确」:RAG 效果依赖分块与召回,交付时需说明建议用真实语料测 10–20 问调优
- API Key 一律走环境变量,不写死在代码里
使用场景
- 手上有公司制度、产品手册等一批内部文档,想让内部工具基于这些内容回答员工提问
- 想把几百页产品手册接入 AI,回答客户提出的具体操作或参数问题
- 知道 RAG 概念但没搭过检索管线,需要一份能跑通的 ingestion 代码作起点
- 为客服团队接入历史工单和回复记录,让 AI 基于过往处理结果生成建议回复
适合人员
- 负责把企业 PDF / Word 手册接入自建问答系统的后端工程师
- 需要处理几十 GB 论文或技术资料、做文档检索管线的数据工程师
- 想快速拿到可改路径运行的 ingestion 骨架做 POC 的 NLP 工程师
- 负责用 RAG 让客服记录可被问答的产品或技术负责人