用途：RAG Pipeline Builder 是一个技能，用于引导设计和实现检索增强生成（RAG）系统，使大语言模型的回答基于自有数据中的相关上下文，降低幻觉，并让模型使用私密、最新或领域特定的知识。适用场景包括文档问答机器人、客服系统、企业知识助手。
主要能力：覆盖完整 RAG 栈，包括文档接入、分块策略、嵌入生成、向量存储、检索优化、上下文注入和回答生成；帮助在准确性、延迟、成本和规模等要求下做出各阶段决策。
核心工作流：一是设计 RAG 架构，先定义需求（数据源与格式、查询类型与模式、准确性要求、延迟预算、规模预期），再选择组件（文档加载器、分块策略、嵌入模型、向量数据库、生成用 LLM、可选重排序层），并设计数据流：文档 → 加载器 → 分块器 → 嵌入器 → 向量数据库；查询 → 嵌入器 → 向量搜索 → 重排序器 → 上下文；上下文 + 查询 → LLM → 回答。二是实现摄取流水线，设置文档加载器（PDF、Markdown、HTML 解析器，实时源 API 连接器，增量更新处理），实现分块并生成嵌入、带元数据存入向量数据库、验证摄取质量。三是优化检索质量，测量 Recall@k、MRR、相关性得分等基线，应用查询扩展/改写、混合搜索、交叉编码器重排序、元数据过滤，并调优 k 值、相似度阈值、多样性/MMR 设置，用测试集验证。
快速参考触发语：设计 RAG 系统、选择向量数据库、优化分块、改善检索、减少幻觉、扩展流水线等。
最佳实践：在语义边界分块；包含来源、章节、页码、时间戳、分类等丰富元数据并在语义搜索前过滤；采用语义与关键词（BM25）混合搜索；两阶段检索加重排序；返回引用与来源；处理检索失败、信息冲突、查询超出知识库范围等边缘情况并优雅降级。
高级技术：多索引策略、查询转换流水线、上下文压缩、Agentic RAG。评估指标包括检索的 Precision@k、Recall@k、MRR，生成的忠实度、回答相关性、上下文利用率，以及端到端任务成功率与用户满意度；工具提及 Ragas、TruLens、LangSmith。
限制：资料为技能说明，未提供具体安装命令、依赖版本、价格、支持平台或可直接运行的完整代码；实际向量数据库与嵌入模型选型需结合自身需求。来源 URL 为 https://www.skills.sh/jmsktm/claude-settings/rag-pipeline-builder。