用途：这是一个决策类技能，帮助在为 LLM 接入私有或最新数据时，判断该用 RAG、长上下文填充、结构化工具检索还是纯提示词方案。核心观点是检索只是上下文工程的一环，多数“RAG 不工作”其实是上下文工程问题（粒度、来源、排序、刷新策略不对）。
主要能力：提供决策流程——答案在已知小且稳定的文档中则不检索，直接放系统提示并缓存前缀；在结构化存储（数据库、API、表格）中则给模型类型化工具查询，模式优于嵌入；语料经廉价信号（日期、标签、用户 ID）过滤后能装进上下文窗口则直接加载；语料大、非结构化且查询为语义型才用 RAG；对新鲜度要求高（分钟级）用查询时工具调用检索；相关上下文是交互式的（聊天历史、草稿）则用工作记忆。还归纳了各模式一句话要点：纯提示、结构化工具检索、过滤式上下文加载、嵌入 RAG、混合检索（嵌入+BM25+重排）、长上下文填充、微调。
使用方式：当用户反射性地想用嵌入、调试“模型答错”却未独立测量检索质量、在多种方案间选择、或构建中问 RAG 为何不工作时使用。技能会提示需先问清语料形态、token 规模、新鲜度、查询形态、是否按用户隔离、错误代价；若答不出前两项就无法选检索策略。
限制与反模式：反对固定分块、无重排的嵌入、对结构化数据库做 RAG、把整库塞进上下文、多跳问题单阶段检索、只评答案不评检索、全量夜间重建索引。强调先看检索评估（标注集上的 Recall@k）再谈嵌入。参考资料涉及检索模式、检索评估、分块等文件，具体内容暂未提供。