用途：用于设计面向 LLM 应用的 RAG 流水线，选择切分与嵌入策略、提升检索质量、构建基于知识的 AI 系统、实现混合检索（稠密＋稀疏）以及设计多阶段检索流程。关键词包括 RAG、嵌入、切分、向量检索、语义搜索、上下文窗口、知识库、混合搜索、重排序、BM25。
主要能力：覆盖从文档摄取、索引到向量存储的完整链路。文档摄取包含提取内容、清洗归一化、切分、生成嵌入、写入索引。切分策略包括固定大小、按句、按段、语义、递归和针对文档类型的方式，并给出重叠建议（约切分大小的 10%–20%）及大小取舍。嵌入部分对比多种模型（如 OpenAI text-embedding-3、Cohere embed-v3、BGE、E5、GTE、Sentence-BERT）的维度、上下文长度与特点，提供选型决策路径与优化方式。检索部分涵盖稠密检索、稀疏检索（BM25/TF-IDF）、混合搜索、RRF 融合公式，以及召回＋重排序的两阶段流水线。上下文组装涉及上下文预算分配、组装策略和“中间丢失”问题的缓解。
高级模式：查询改写（HyDE、查询扩展、子查询分解）、Self-RAG、Agentic RAG。还提供检索指标（Recall@K、Precision@K、MRR、NDCG）与端到端指标（正确性、忠实度、答案相关性、上下文相关性）、评估流水线、常见失败模式与缓解方式、索引规模分档和典型延迟预算，以及相关技能指引。
使用方式：该技能无独立命令或安装步骤，按需在 Claude Code 插件场景中引用即可；资料未提供具体安装命令与调用方式。
限制：资料未给出具体实现代码、平台依赖或收费信息，全部内容为设计层面的模式与参考。