RAG
一站式RAG管道设计、调优与调试工具
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：一站式RAG管道设计、调优与调试工具 详细介绍见：https://321skill.com/skills/rag-x-3/ 请根据该页面的说明完成安装。
使用示例
‘我的RAG系统在更换了嵌入模型后，检索到的相关段落相似度分数都很低，几乎没区别，该怎么办？’ 它会引导你分析新旧模型的嵌入空间对齐问题，检查归一化处理，并建议通过混合检索或重排序来弥补可能的语义漂移。或者问：‘索引的PDF文档里有表格，但问答时总是忽略表格里的关键数字。’ 它会帮你检查针对表格的特殊分块策略、嵌入方式，以及如何确保表格数据被正确检索和融入上下文。
介绍
该Skill专注于解决检索增强生成（RAG）系统在实际部署中遇到的各种棘手问题。当你的RAG应用出现检索错误、引用缺失、幻觉或性能瓶颈时，它提供了一套系统性的诊断和优化方案。
它通过分析从文档分块、向量化、检索、重排到答案生成的整个链路，帮助你定位问题根源。无论是选择嵌入模型、调整分块策略，还是优化混合检索与重排序，都能提供针对性指导。
该Skill非常适合正在构建或维护RAG系统的开发者、算法工程师和技术负责人。无论是处理PDF、表格、代码等复杂文档格式，还是应对GDPR删除、租户隔离、提示词注入等安全和合规挑战，它都能提供实践建议。
使用建议：建议在RAG项目遇到具体性能或准确性问题时使用，而非用于学习基础概念。注意，它不涉及分块器内部实现、评分细则或特定框架（如LangChain）的API细节，这些问题需参考其他专门Skill。
核心特点
与零散的RAG教程或单一功能工具不同，本Skill提供端到端的管道视角，覆盖从文档预处理到答案生成的全链路调优，尤其擅长诊断复杂、非典型的故障场景（如元数据过滤器清空结果集、模型替换后相似度分数崩溃等）。
注意事项
不适用于学习RAG基础概念、分块器内部算法细节、评估评分标准制定或特定框架（如LangChain）的API使用。
常见问题
RAG系统检索不到已索引的文档怎么办？
可检查分块策略、嵌入模型匹配度、元数据过滤逻辑及向量库索引状态，本Skill提供系统性排查路径。
如何降低RAG查询的延迟和成本？
可从优化分块大小、选择轻量嵌入模型、实施混合检索与高效重排策略等方面入手，本Skill提供具体调优建议。