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-8/ 请根据该页面的说明完成安装。
使用示例
'我的RAG管道在检索PDF合同条款时总返回不相关的段落，分块大小是512字符，使用OpenAI的text-embedding-ada-002，请帮我诊断并优化。' 它会分析你的分块策略是否适合合同文档结构，检查嵌入模型是否与领域术语匹配，建议调整分块重叠或改用专用嵌入模型，并给出改进后的检索效果预估。
介绍
本技能专门解决检索增强生成（RAG）管道中的常见故障：系统返回错误段落、遗漏已索引文档、不引用来源、在良好上下文中仍产生幻觉，以及元数据过滤导致结果集为空、相似度分数在模型切换后崩塌、后续问题检索错误等。当你需要选择向量存储、嵌入模型、分块大小、重排序器，或处理PDF、扫描页、表格、代码、转录本的索引，以及面临GDPR删除、租户隔离、提示注入等合规与安全问题时，该技能提供系统化的诊断与调优方法。
使用方法：你只需描述当前RAG管道的配置（如分块策略、嵌入模型、检索参数）和观察到的异常现象，技能会分析可能的原因，并给出具体的调整建议：例如调整分块重叠尺寸、更换嵌入模型、优化混合检索权重、添加元数据过滤、调试重排序逻辑，或重新设计索引迁移与语料库新鲜度策略。它还能辅助构建评估集、实施代理检索和图形检索方案。
适合后端开发、数据分析师、智能体开发者等需要构建或优化RAG系统的技术角色。尤其适合那些正在从原型走向生产环境，面临检索质量、成本和延迟瓶颈的团队。学术研究者也能借助它快速复现文献中的管道设计并对比实验效果。
注意事项：本技能专注于RAG管道的整体设计与调试，不涉及分割器内部实现细节（可参考rag-chunking技能），也不包含评分评估标准（rag-evaluation）或LangChain API封装（langchain）。对于仅需标准问答无需检索的场景，请直接使用通用对话模型。建议在调整前备份当前索引向量库，并记录每次变更后的检索效果指标。
核心特点
与同类RAG工具相比，本技能不仅覆盖从分块到接地答案的全流程，更专注于系统性地诊断和解决生产环境中的常见故障模式（如检索失败、幻觉、成本延迟），并提供可操作的调优建议，而非仅提供API接口或示例代码。
注意事项
不适合不需要检索的纯生成任务，也不适合需要深度定制分割器内部逻辑或编写复杂评估脚本的场景（有专门的`rag-chunking`和`rag-evaluation`技能）。
常见问题
如何选择嵌入模型？
根据你的数据领域（如代码、医疗、法律）和语言，对比模型的维度、效率、检索准确率，本技能可分析不同模型在你样本上的表现并给出推荐。
检索结果总是为空怎么办？
检查元数据过滤条件是否过严、分块策略是否将信息切得太碎、嵌入模型是否与查询语言匹配，本技能可逐项排查并给出调整方案。