用途
RAG Implementation 是一项用于构建检索增强生成（Retrieval-Augmented Generation, RAG）系统的技能，目标是让 LLM 应用借助外部知识源提供准确、有依据（grounded）的回答。适用于在专有文档上构建问答系统、创建具备最新事实信息的聊天机器人、实现自然语言语义搜索、通过有据回答减少幻觉、让 LLM 访问领域特定知识、构建文档助手，以及创建带来源引用的研究工具。
不建议在以下情况使用：只需要纯生成式写作而无需检索；数据集过小，不足以支撑嵌入（embeddings）；无法安全存储或处理源数据。
主要能力
技能围绕 RAG 的核心组件展开，并给出可选方案：
- 向量数据库（Vector Databases）：用于高效存储与检索文档嵌入。可选 Pinecone（托管、可扩展、查询快）、Weaviate（开源、混合搜索）、Milvus（高性能、本地部署）、Chroma（轻量、易用）、Qdrant（快速、支持过滤搜索）、FAISS（Meta 出品、本地部署）。
- 嵌入（Embeddings）：将文本转换为数值向量以进行相似度搜索。可选 text-embedding-ada-002（OpenAI，通用，1536 维）、all-MiniLM-L6-v2（Sentence Transformers，快速轻量）、e5-large-v2（高质量、多语言）、Instructor（任务特定指令）、bge-large-en-v1.5（SOTA 性能）。
- 检索策略（Retrieval Strategies）：稠密检索（基于嵌入的语义相似度）、稀疏检索（关键词匹配，如 BM25、TF-IDF）、混合搜索（稠密 + 稀疏）、多查询（生成多个查询变体）、HyDE（生成假设文档）。
- 重排序（Reranking）：通过重新排序结果提升检索质量。方法包括 Cross-Encoders（基于 BERT 的重排序）、Cohere Rerank（基于 API 的重排序）、Maximal Marginal Relevance（MMR，兼顾多样性与相关性）、基于 LLM 的相关性打分。
使用方式
技能给出了基于 LangChain 的快速上手流程：加载文档（如 DirectoryLoader）→ 切分为块（RecursiveCharacterTextSplitter，chunk_size=1000、chunk_overlap=200）→ 创建嵌入与向量库（OpenAIEmbeddings + Chroma.from_documents）→ 创建检索链（RetrievalQA，retriever 的 search_kwargs 为 {"k": 4}，return_source_documents=True）→ 查询并输出结果与来源文档。
进阶模式包括：
- 混合搜索：BM25Retriever 与向量检索器经 EnsembleRetriever 组合，示例权重为 [0.3, 0.7]。
- 多查询检索：MultiQueryRetriever 基于 LLM 生成多个查询视角并合并结果。
- 上下文压缩：ContextualCompressionRetriever 配合 LLMChainExtractor，仅返回文档中相关部分。
- 父文档检索：ParentDocumentRetriever 配合 InMemoryStore，小子块用于检索、大子块用于上下文（child_splitter 400、parent_splitter 2000）。
文档分块策略涵盖：递归字符分块（可自定义 separators）、基于 token 的分块（TokenTextSplitter）、语义分块（SemanticChunker，breakpoint_threshold_type="percentile"）、Markdown 标题分块（MarkdownHeaderTextSplitter）。向量库配置示例覆盖 Pinecone、Weaviate、Chroma（本地，可设 persist_directory）。
检索优化手段包括元数据过滤（为 chunk 添加 source、page、category 等元数据并在检索时 filter）、MMR（max_marginal_relevance_search，k=5、fetch_k=20、lambda_mult=0.5）、Cross-Encoder 重排序（cross-encoder/ms-marco-MiniLM-L-6-v2，对候选集打分后取 top k）。
提示工程模板包括：上下文回答（无法回答时明确说明信息不足）、带引用（[1]、[2] 等）、带置信度（0-100%）。
评估方面提供 evaluate_rag_system 示例，统计 accuracy、retrieval_quality、groundedness 三类指标并取平均。
适用场景
专有文档问答、具备最新事实的聊天机器人、自然语言语义搜索、减少幻觉的有据回答、领域知识接入、文档助手、带来源引用的研究工具。
限制与注意事项
安全方面要求对敏感数据脱敏、实施访问控制，在受限情况下避免在回答中暴露源文档。最佳实践建议：块大小在上下文与具体性之间平衡（500-1000 tokens）、使用 10-20% 重叠保留边界上下文、包含来源/页码/时间戳等元数据以便过滤与调试、采用混合搜索、用 cross-encoder 重排序、始终返回来源文档以保持透明、持续测试检索质量与回答准确性、在生产环境跟踪检索指标。常见问题排查方向包括：检索效果差（检查嵌入质量、块大小、查询构造）、结果不相关（增加元数据过滤、混合搜索、重排序）、信息缺失（确认文档已正确索引）、查询慢（优化向量库、使用缓存、减少 k）、幻觉（改进 grounding 提示、增加校验步骤）。
该技能未在资料中说明具体收费、价格或平台限制等信息，暂未提供。