RAG
设计、调优与调试RAG管道的专业工具
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：RAG。 它的用途是：设计、调优与调试RAG管道的专业工具 详细介绍见：https://321skill.com/skills/rag-x-12/ 请根据该页面的说明完成安装。
使用示例
'我的RAG系统在模型切换后相似度分数崩溃，请帮我诊断原因并调整。'它会分析当前嵌入模型、分块大小和检索策略，提供优化建议，并协助重新配置管道。另可问：'元数据过滤后结果集为空，如何修复？'它会检查过滤条件并建议使用混合检索或放宽条件。
介绍
本Skill专注解决检索增强生成（RAG）管道中的各类实际问题：系统返回错误段落、遗漏已索引文档、无引用或幻觉、相似度分数在模型切换后崩溃、元数据过滤导致结果集为空、答案忽略中间上下文、后续问题检索错误等。它覆盖从分块、嵌入、混合检索、重排序到生成接地答案的全流程调试与优化。
使用方式：通过对话描述具体问题（如“我的RAG系统在模型切换后相似度分数崩溃”），Skill会自动分析当前配置（向量存储、嵌入模型、分块大小、重排序器），诊断根因，并给出调整建议或直接修改配置。支持场景包括索引PDF/扫描页/表格/代码/转录文本、处理GDPR删除、租户隔离、提示注入、以及降低查询成本或p95延迟。
适合用户：后端开发人员、数据分析师、智能体开发者，以及任何需要构建或维护RAG系统的工程师。也适合学术研究者进行实验对比。
使用建议：本Skill专注于RAG管道整体优化，不涉及分块内部算法细节（如rag-chunking）、评估评分标准（rag-evaluation）或LangChain API封装。使用时建议先明确当前系统瓶颈（检索质量、延迟、成本等），再针对性提问。
核心特点
专注于RAG管道全流程的调试与优化，覆盖从分块、嵌入到混合检索、重排序的完整环节，而非仅提供某一组件或单一算法。
注意事项
不适用于分块内部算法细节、评估评分标准或LangChain API的封装，也不处理非RAG相关的问题。
常见问题
如何选择嵌入模型？
根据数据类型（文本/代码/多语言）和检索场景（精确度/速度），可尝试OpenAI、Cohere、BGE等，通过对比检索效果和延迟来决策。本Skill可协助评估不同模型的效果。
元数据过滤导致结果集为空怎么办？
检查过滤条件是否正确，或放宽过滤范围，考虑使用混合检索（向量+关键词）兜底，避免空结果。本Skill可以诊断并调整过滤策略。