RAG Implementation 是一个专注于检索增强生成（Retrieval-Augmented Generation）的实践技能，面向需要为大型语言模型构建或优化检索管线的开发者。其定位是帮助使用者避免朴素的“分块加嵌入”做法，转而采用更成熟的分块、检索与重排序策略。
用途方面，该技能强调 RAG 不只是向量搜索，而是要在正确的时间把正确的信息交给 LLM，并且需要判断何时 RAG 有帮助、何时只是不必要的开销。
主要能力包括：document-chunking（文档分块）、embedding-models（嵌入模型）、vector-stores（向量存储）、retrieval-strategies（检索策略）、hybrid-search（混合搜索）、reranking（重排序）。
在模式上，技能给出三种推荐做法：语义分块（按含义而非任意大小切分）、混合搜索（结合稠密向量与稀疏关键词搜索）、上下文重排序（用 LLM 对检索到的文档按相关性重新排序）。
反模式方面，技能明确列出固定大小分块、无重叠、单一检索策略为应避免的做法。
在“Sharp Edges”部分，技能列出若干风险与应对：分块质量差会严重破坏检索质量（严重，建议使用带重叠的递归字符文本分割器）；查询与文档使用不同模型的嵌入（严重，需确保嵌入模型使用一致）；RAG 会显著增加响应延迟（高，需优化 RAG 延迟）；文档更新但嵌入未刷新（中，需保持文档与嵌入同步）。
相关技能方面，该技能可与 context-window-management、conversation-memory、prompt-caching、data-pipeline 配合使用。
适用场景为需要构建或改进 RAG 系统的开发工作，尤其是对检索质量、延迟和一致性有要求的场景。限制方面，资料未提供具体实现代码、安装命令、收费或平台信息，暂未提供。