用途：指导构建能搜索文档并准确回答问题的 AI，采用 DSPy 的 RAG（检索增强生成）模式——先检索相关段落，再基于段落生成答案。适用于知识库、帮助中心问答、与文档对话等场景。
主要能力：
- 数据加载与切分：用 LangChain 文档加载器读取 PDF、文本、CSV、网页、Notion、JSON 等，并用 RecursiveCharacterTextSplitter 等切分为适合嵌入与检索的块。
- 向量库与检索：支持 ChromaDB、Pinecone、Qdrant、Weaviate、pgvector 等，也可用 DSPy 内置 dspy.Embeddings（内部用 FAISS）。各后端通过继承 dspy.Retrieve 并实现 forward() 接入。
- 检索问答流水线：定义 dspy.Signature 与 dspy.Module，用 dspy.Retrieve 取段落，再用 dspy.ChainOfThought 生成基于上下文的答案。
- 多文档/多步检索：当问题需要跨文档信息时，先生成搜索查询，再迭代检索并去重上下文。
- 评测与优化：可用精确匹配或 AI 评判指标，配合 dspy.BootstrapFewShot、dspy.MIPROv2 优化。
使用方式：安装技能命令为 npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill <name>。基本流程为加载数据、切分、建向量库、配置 dspy.configure(lm=..., rm=...)、构建模块并调用。
限制与注意：若全部文档能放入上下文（约 100K token 以内）则不必用 RAG；查询针对同一已知文档、需要精确关键词搜索或实时数据时也不适合。切块大小比检索器选择更关键，建议从 512 token、50 token 重叠起步；不要跳过重排；k 值需调优；嵌入模型与切块方式在索引和查询时必须一致，否则需重建索引。资料未提供具体收费、价格与效果保证。