RAG
设计与调试RAG管道的专用智能体
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：设计与调试RAG管道的专用智能体 详细介绍见：https://321skill.com/skills/rag-x-9/ 请根据该页面的说明完成安装。
使用示例
'我的RAG系统在替换嵌入模型后，检索相似度分数从0.8骤降到0.2，请帮我诊断并修复。' 它会先检查新旧模型的维度差异，然后建议重新索引文档或使用PCA降维，同时调整分块大小和检索的top_k参数，最后给出评估恢复效果的测试方法。
介绍
该技能专注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、遗漏已索引文档、无引用输出或即使在良好上下文中仍产生幻觉时，它能帮助诊断根因。它也适用于选择向量存储、嵌入模型、分块大小或重排序器，以及处理相似度分数在模型切换后崩溃、元数据过滤器清空结果集、答案忽略中间语境事实等场景。
使用时，只需描述你遇到的RAG问题或期望优化的目标，技能会分析当前管道配置（如分块策略、嵌入模型、检索逻辑），并给出具体的调整建议或调试步骤。例如，你可以要求“修复模型切换后相似度分数崩塌的问题”或“为PDF索引选择合适的分块大小和嵌入模型”。
适合后端开发、智能体开发、数据科学家和机器学习工程师，尤其是正在构建或优化RAG系统的团队。也适合需要处理PDF、扫描页、表格、代码或转录内容等复杂文档类型的场景，或需要满足GDPR擦除、租户隔离等合规要求的项目。
使用建议：先明确你的问题类型（检索失败、幻觉、成本过高或延迟过大），然后提供尽可能多的上下文，如当前使用的向量库、嵌入模型、分块大小和最近变更。注意该技能不适用于纯文本分割器内部的微调、评分标准的制定或LangChain API的封装，这些场景请使用专门的技能。
核心特点
与通用的RAG教程或配置工具不同，该技能不仅提供设计建议，还能主动诊断管道中的常见故障（如相似度分数崩溃、元数据过滤空结果），并给出可操作的调试步骤，涵盖从索引迁移到评估集构建的全流程。
注意事项
不适合仅需简单文档问答或无需检索的纯生成任务，也不适用于底层分割器算法或评分标准的详细实现。
常见问题
模型切换后相似度分数全部崩溃怎么办？
检查新旧嵌入模型的输出维度是否一致，若不匹配需重新索引或使用降维映射；同时调整分块大小和重排序策略以适配新模型。
RAG系统总是返回错误段落，如何调试？
先验证分块质量（是否切碎了关键信息），再检查检索策略（是否只有稠密检索？尝试混合检索），最后确认重排序器是否正确过滤了无关结果。