RAG
一站式解决RAG管道设计、调优与故障排查问题。
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：一站式解决RAG管道设计、调优与故障排查问题。 详细介绍见：https://321skill.com/skills/rag-x-6/ 请根据该页面的说明完成安装。
使用示例
“我的RAG系统在索引了一批技术PDF后，回答用户关于中间章节的细节问题时总是忽略关键信息，但相关段落明明已被索引，这是什么原因？该如何优化？” 它会引导你检查分块是否切断了上下文连贯性，评估是否需要调整分块大小或重叠率，并建议尝试不同的检索策略（如句子窗口检索）来确保中间事实能被有效捕获。
介绍
该Skill专注于检索增强生成（RAG）管道的全生命周期管理。它旨在解决实际部署RAG系统时遇到的各种棘手问题，例如检索结果不准确、索引遗漏、答案无引用或基于良好上下文产生幻觉等。当您在选择向量数据库、嵌入模型、分块策略或重排序器时感到困惑，或者遇到相似度分数异常、元数据过滤器失效、答案忽略上下文中间事实、后续问题检索错误等情况，它都能提供专业指导。
使用方式非常直接：在遇到RAG相关问题时，向AI描述您的具体场景、遇到的错误现象或需要做的技术选型。AI将基于该Skill的知识库，为您分析问题根因，提供调优步骤、配置建议或调试思路，帮助您构建更健壮、高效的RAG系统。
该Skill非常适合需要构建、优化或维护RAG系统的开发者、算法工程师和技术负责人。无论您是正在从零搭建一个企业知识库，还是正在为现有问答系统的糟糕表现而头疼，它都能提供从架构设计到细节调试的深度支持。
请注意，该Skill侧重于RAG管道的工程实践与问题解决，而非底层算法的数学原理。对于分块器内部实现、详细的评分标准制定或特定框架（如LangChain）的API使用，建议查阅更专门的资料。在复杂场景中，结合具体业务数据进行小规模实验验证其建议，通常是更稳妥的做法。
核心特点
与通用AI开发技能不同，它深度聚焦于RAG管道的全链路工程问题，提供了从数据索引（PDF、表格、代码等）、检索（混合检索、重排序）到生成（答案落地、避免幻觉）的一整套故障排查与性能优化指南，尤其擅长解决生产环境中那些令人头疼的“疑难杂症”。
注意事项
不适用于分块器内部算法实现、详细的评估标准制定或特定框架（如LangChain）的API使用教学。
常见问题
我的RAG系统总是返回不相关的文档，怎么办？
可以检查分块策略、嵌入模型匹配度、尝试启用混合检索或调整重排序器，本Skill会提供具体的排查步骤。
如何为我的业务数据选择合适的向量数据库和嵌入模型？
需要结合数据规模、查询延迟要求、成本预算和数据类型（如文本、代码）来评估，本Skill会提供选型维度和对比建议。