技能介绍

问题从哪来

把文档丢进向量库再让 LLM 回答，听起来简单，但检索质量直接决定生成质量：分块切断了句子、相似度度量与内容类型不匹配、第一轮检索结果未经重排就塞进上下文——这些都会让模型在「看起来有依据」的前提下仍然胡编。

技能如何帮你设计 RAG

本技能以 RAG 系统架构师 视角工作，核心不是堆工具，而是把管道拆清楚：

文档分块与预处理：优先语义分块，按意义与文档结构切分，避免固定 token 窗口破坏上下文。
向量嵌入与相似度搜索：按内容类型评估嵌入模型与维度，而不是「一个模型打天下」。
检索管道：支持分层检索（由粗到细）、混合搜索（关键词 + 语义），并在首轮检索后增加重排序与相关性阈值，而不是把最大上下文硬塞进提示词。
上下文窗口：在召回与窗口之间做权衡，用阈值过滤低相关片段。

推荐模式包括语义分块、分层检索、混合搜索；明确反对固定分块大小、全量无差别嵌入、以及不做评估就上线。

适用边界与注意点

你需要具备 LLM 基础、嵌入概念和基本 NLP 常识。源文档变更时要规划嵌入刷新；检索与生成应分开评估（只测答案好坏会掩盖检索失败）。不同查询类型不宜共用同一检索策略——复杂场景常与 ai-agents-architect、prompt-engineer、database-architect、backend 等技能配合更顺。