用途：RAG Architecture Skill 用于指导构建检索增强生成系统，让大语言模型在回答时基于检索到的自有数据上下文，减少幻觉并访问私有或最新数据。核心思路是 RAG = 检索 + 生成：查询时先检索相关上下文，再将其加入提示词。
主要能力：涵盖完整流程。索引管线包括加载、清洗解析、切块、嵌入、存入向量库；切块策略包括固定大小、按句、按段、语义、递归、整篇文档，并给出 chunk 大小权衡。嵌入部分列出多种模型及维度、速度、质量、成本对比，以及归一化、批量嵌入、缓存等实践。向量库部分列出 Pinecone、Weaviate、Qdrant、Chroma、pgvector、Azure AI Search、FAISS 及索引类型（Flat、IVF、HNSW、PQ）。检索策略包括基础 top-k、混合搜索（向量 + BM25，RRF 融合）、重排序（cross-encoder 两阶段）、查询转换（HyDE、多查询）。提示增强给出基础与结构化提示、引用处理。高级模式包括父文档检索、自查询检索、智能体式 RAG。评估部分给出检索指标（Recall@K、Precision@K、MRR、NDCG）与生成指标（忠实度、相关性、完整性、幻觉率），并提到 ragas 工具。生产部分涉及缓存、监控、成本优化，以及常见陷阱表。
使用方式：资料提供的是 Python 示例代码与配置说明，涉及 langchain 文本切分、向量库检索调用、CrossEncoder 重排序、ragas 评估等；需按实际技术栈替换模型与数据库。安装命令与所需依赖资料未提供。
适用场景：适合需要让 LLM 基于内部文档、知识库、代码库或最新信息问答的工程场景，以及需要评估检索与生成质量的生产系统。
限制：资料为架构与示例指南，未提供具体安装步骤、许可、价格或平台要求；示例模型、数据库与参数需根据实际环境验证；效果取决于数据质量、切块与检索配置。