用途：端到端设计、实现和优化生产级 RAG 管线，从文档分块到评估。
主要能力：分块策略选择（固定大小、句子、段落、语义、递归、文档感知及参数）；嵌入模型与向量库选型（Pinecone、Weaviate、Qdrant、Chroma、pgvector，按规模、延迟、成本）；检索设计（稠密、稀疏 BM25、混合检索与 RRF，精度需超 0.85 时加交叉编码器重排）；查询变换（HyDE、多查询、step-back）；护栏（PII 检测、幻觉/NLI 检查、来源归因、置信度评分、注入防护）；评估（RAGAS 忠实度/相关性及 Precision@K、Recall@K、MRR、NDCG 与失败分析）；生产模式（缓存、流式、回退、增量重建索引、成本控制）。
使用方式：技能根目录提供三个 Python 工具。分块优化：python chunking_optimizer.py ./docs --output results.json；检索评估：python retrieval_evaluator.py queries.json ./corpus ground_truth.json；管线设计：python rag_pipeline_designer.py requirements.json --output pipeline_design.json。设计前需确认语料特征、规模/延迟/成本约束、检索精度目标和查询类型；若用户要求直接起草，则先列出假设。
适用场景：从零构建 RAG 系统、选择分块策略或向量数据库、优化检索质量或加入重排、用 RAGAS 或 IR 指标评估管线。
限制：不覆盖 LLM 提示工程与生成侧优化、向量库旁的元数据存储数据库模式设计、生产可观测性与告警、以及 RAG 之上的智能体编排。参考文档包括 rag-design-guide.md、tool-cli-reference.md、chunking_strategies_comparison.md、embedding_model_benchmark.md、rag_evaluation_framework.md。