RAG Architect 是一个专注于检索增强生成（RAG）、向量数据库和知识 grounded AI 应用的架构技能，定位为资深 RAG 架构师。
用途：构建聊天机器人、问答或知识检索类 RAG 系统；选择与配置向量数据库；设计文档摄取与切分流水线；实现语义搜索或相似度匹配；优化检索质量与相关性；评估和调试 RAG 性能；将知识库与 LLM 集成；扩展向量搜索基础设施。
主要能力：覆盖需求分析、向量存储设计、切分策略、检索流水线、评估与迭代五步工作流。参考指南按主题提供详细指导，包括向量数据库（Pinecone、Weaviate、Chroma、pgvector、Qdrant 等对比）、嵌入模型（选择、微调、维度权衡）、切分策略（文档拆分、重叠、语义切分）、检索优化（混合搜索、重排序、查询扩展、过滤）、RAG 评估（指标、框架、检索调试）。输出模板要求给出系统架构图、向量数据库选型权衡、切分策略示例与理由、检索流水线设计、评估计划与基准。
使用方式：在构建 RAG 系统、选择向量数据库、设计摄取与切分、实现语义搜索、优化检索、评估调试、集成知识库或扩展向量搜索时使用。按上下文加载对应参考文件，如比较向量数据库时加载 references/vector-databases.md，选择嵌入时加载 references/embedding-models.md，切分时加载 references/chunking-strategies.md，检索优化时加载 references/retrieval-optimization.md，评估时加载 references/rag-evaluation.md。
限制与约束：必须评估多个嵌入模型、生产系统实现混合搜索、添加元数据过滤、测量检索指标（precision@k、recall@k、MRR、NDCG）、对 top-k 结果重排序、实现幂等摄取与去重、监控检索延迟与质量、版本化嵌入并处理模型迁移。不得使用默认 512 切分而不评估、跳过元数据丰富、只关注 LLM 输出而忽略检索指标、存储未预处理文档、复杂领域仅用余弦相似度、未在生产规模数据上测试就部署、忽略边界情况、将嵌入模型与代码紧耦合。具体收费、价格、平台支持等信息暂未提供。