RAG
设计、调优、调试RAG管道的完整方案
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、调试RAG管道的完整方案 详细介绍见：https://321skill.com/skills/rag-x-5/ 请根据该页面的说明完成安装。
使用示例
'我的RAG系统在切换嵌入模型后相似度分数全部崩塌，导致检索结果几乎为空，请诊断并给出优化方案。' 它会分析当前向量库、嵌入模型、分块大小与重排序配置，建议调整分块策略或回退到原模型，并导出评估集对比效果。
介绍
本技能聚焦于解决检索增强生成（RAG）管道中的常见问题：当系统返回错误段落、漏掉已索引的文档、引用缺失、在优质上下文下仍产生幻觉，或需要选择向量库、嵌入模型、分块大小、重排序器时；当模型切换后相似度分数崩溃、元数据过滤导致结果集为空、答案忽略中间上下文事实、后续问题检索错误、需要索引PDF/扫描页/表格/代码/转录文本时；当面临GDPR删除、租户隔离、索引文档注入攻击，或需要降低单次查询成本与p95延迟时，此技能提供端到端的设计、调优与调试能力。
使用方法：通过对话式交互，你可以描述具体问题（如“切换嵌入模型后相似度分数全部坍塌”），技能会分析当前管道配置，推荐分块策略、嵌入模型、混合检索比例、重排序器，并给出调试步骤与评估建议。覆盖重新索引迁移、语料新鲜度管理、评估集构建、智能体检索与图检索等场景。
适合用户：构建RAG应用的AI工程师、后端开发者、数据科学家、机器学习工程师，以及需要优化检索增强生成系统的产品经理与技术负责人。
注意事项：本技能不适用于学习分块算法内部实现（请使用rag-chunking）、评分标准制定（rag-evaluation）或LangChain框架的API使用（langchain）。建议结合具体业务上下文（如领域知识、数据隐私要求）调整参数，并在生产环境前进行充分评估。
核心特点
与其他RAG调试工具不同，本技能覆盖从分块到生成答案的完整管道，重点解决端到端问题（如模型切换后相似度崩塌、元数据过滤空结果），而非仅针对单个组件。
注意事项
不适用于学习分块算法内部细节、评分标准制定或LangChain框架的API使用。
常见问题
如何选择嵌入模型？
根据数据语言、领域、维度与预算选择，推荐先用通用模型（如text-embedding-3-small）测试，再根据检索效果调优。
检索结果为空怎么办？
检查元数据过滤条件是否过严、文档是否被正确索引、分块策略是否合理，可尝试放宽过滤或使用混合检索。