用途：这是一个面向 RAG（Retrieval-Augmented Generation，检索增强生成）系统落地的工作流技能。适用于构建 RAG 应用、实现语义搜索、创建基于知识库的 AI、搭建文档问答系统，以及优化检索质量。资料说明其覆盖嵌入模型选择、向量数据库搭建、分块策略、检索优化与评估。
主要阶段与能力：阶段1需求分析，调用 ai-product、rag-engineer，明确用例、数据源、精度要求、延迟目标与评估指标。阶段2嵌入选择，调用 embedding-strategies、rag-engineer，评估模型、测试领域相关性、衡量质量并考虑成本与延迟。阶段3向量数据库，调用 vector-database-engineer、similarity-search-patterns，选库、设计 schema、配置索引、测试查询。阶段4分块策略，调用 rag-engineer、rag-implementation，确定块大小、实现分块、处理重叠、创建元数据。阶段5检索，调用 similarity-search-patterns、hybrid-search-implementation，实现向量搜索、关键词搜索、混合搜索与重排，并优化延迟。阶段6 LLM 集成，调用 llm-application-dev-ai-assistant、llm-application-dev-prompt-optimize，选择提供方、设计提示模板、注入上下文与引用。阶段7缓存，调用 prompt-caching、rag-engineer，实现响应与嵌入缓存、配置 TTL、失效与命中率监控。阶段8评估，调用 llm-evaluation、evaluation，定义指标、构建测试集、衡量检索准确率与生成质量并迭代。
架构示意：用户查询 -> 嵌入 -> 向量搜索 -> 检索文档 -> LLM -> 响应，涉及模型、向量数据库、分块存储与提示加上下文。质量门包括嵌入模型已选、向量库已配置、分块已实现、检索可用、LLM 已集成、评估通过。
限制：资料未提供安装命令、代码示例、具体模型或数据库名称、价格与性能数据，这些暂未提供。