用途：RAG Architecture 是一份构建检索增强生成（RAG）系统的技能指南，核心思路是检索加生成，在查询时检索相关上下文并放入提示词，从而减少幻觉并访问私有或最新数据。
主要能力：覆盖完整 RAG 流程，包括查询嵌入、Top-K 检索、上下文增强、格式化提示与生成；索引流程包括加载、清洗解析、分块、嵌入与存入向量库。介绍固定大小、句子、段落、语义、递归、整文档等分块策略及大小权衡；对比 text-embedding-3-large、text-embedding-3-small、Cohere embed-v4、Voyage AI 3、Jina v3、BGE-M3、GTE-Qwen2 等嵌入模型；列举 Pinecone、Weaviate、Qdrant、Chroma、pgvector、Azure AI Search、FAISS 等向量库与 Flat、IVF、HNSW、PQ 索引类型。检索策略包括基础 Top-K、混合搜索（BM25 与向量融合）、重排序、HyDE、多查询、上下文检索与 GraphRAG。还涉及提示增强、引用处理、父文档检索、自查询检索、Agentic RAG、评估指标（Recall@K、Precision@K、MRR、NDCG、忠实度等）与常见陷阱。
使用方式：资料给出 Python 代码示例，如用 RecursiveCharacterTextSplitter 分块、归一化嵌入、批量嵌入、混合搜索的倒数排名融合、CrossEncoder 重排序、HyDE 与多查询检索、上下文检索、ragas 评估等。
适用场景：需要让 LLM 基于私有或最新数据回答问题的应用，如文档问答、企业知识库、代码检索等。
限制：资料未提供具体安装命令、收费价格、平台部署细节与效果保证；部分模型与工具信息标注为 2026 年，实际使用需自行验证。嵌入模型不可互换，升级需重新嵌入全部内容。