用途：构建生产可用的 RAG（检索增强生成）系统，让 LLM 访问训练数据之外的新鲜、领域专属或私有知识。核心公式为 RAG = 检索 + 上下文组装 + 生成。
主要能力：提供从需求验证到持续改进的八阶段流程——知识库设计（数据源梳理、分块策略与元数据）、嵌入策略（模型选择与基准测试）、向量库架构（Pinecone、Weaviate、Qdrant、Chroma、pgvector 等）、检索管道（混合检索、查询增强、重排序）、上下文组装（排序、合成、压缩、缓解 lost in the middle）、评估指标（Precision@K、Recall@K、MRR、NDCG、忠实度、幻觉率等）、生产部署（容器化、限流缓存、权限与审计、监控）、持续改进。
使用方式：资料强调先验证需求，再决定是否实施。应先尝试更便宜的替代方案：FAQ 页面、关键词搜索（Algolia、Typesense、PostgreSQL 全文检索）、人工整理（Concierge MVP）、简单语义搜索（OpenAI embeddings + Postgres pgvector）。决策树按内容数量与语义需求分层：少于 50 条用 FAQ 页面，多于 50 条可先考虑关键词搜索，少于 5 万文档可用简单语义搜索，超过 5 万文档且已验证需求才建议实施 RAG。资料给出成本参考：原型 1-2 周、每月约 50-150 美元；生产 3-4 周、每月约 200-500 美元；企业级 6-8 周、每月 500-2000 美元以上。响应格式示例包含 answer、sources（含 relevance_score、chunk_id）、confidence 与 retrieval_metadata。
适用场景：知识密集型应用、文档搜索、问答系统，以及需要来源引用与可信度的场景。质量门限包括评估集准确率 >85%、用户满意度 >4.0/5.0、95 分位延迟 <5 秒、可用性 99.5%、成本在预算 10% 内。
限制：资料自身提示 RAG 强大但昂贵，若简单替代方案已满足需求则不应实施；所有价格、时间与指标仅为资料给出的参考，实际以具体项目与供应方为准。上述替代方案之外的具体安装命令、API 细节及代码实现，资料中暂未提供。关联技能包括 multi-agent-architect、knowledge-graph-builder、performance-optimizer。