用途：该技能面向构建检索增强生成（RAG）系统，让 LLM 应用借助外部知识源给出准确、有依据的回答，可用于专有文档问答、事实型聊天机器人、语义搜索、降低幻觉、领域知识接入、文档助手与带来源引用的研究工具。
主要能力：涵盖向量数据库（Pinecone、Weaviate、Milvus、Chroma、Qdrant、pgvector）、嵌入模型（voyage-3-large、voyage-code-3、text-embedding-3-large/small、bge-large-en-v1.5、multilingual-e5-large）、检索策略（稠密、稀疏 BM25/TF-IDF、混合搜索、多查询、HyDE）、重排序（交叉编码器、Cohere Rerank、MMR、LLM 打分）、文档分块（递归字符、Token、语义、Markdown 标题）、检索优化（元数据过滤、MMR、交叉编码器与 Cohere 重排）、RAG 提示工程（带引用提示、结构化输出）以及评估指标（检索精确率/召回率、答案相关性、忠实度、上下文相关性）。
使用方式：资料给出基于 LangGraph 的快速开始示例，定义 RAGState，初始化 ChatAnthropic、VoyageAIEmbeddings、PineconeVectorStore 与检索器，构建 retrieve 与 generate 节点并编译为 rag_chain，再以 await rag_chain.ainvoke({"question": "..."}) 调用。还提供混合搜索（EnsembleRetriever 配合 BM25Retriever）、多查询（MultiQueryRetriever）、上下文压缩（ContextualCompressionRetriever）、父文档检索（ParentDocumentRetriever）、HyDE 等进阶模式，以及各向量库的配置代码片段。
适用场景：需要基于私有或领域文档作答、要求来源可追溯、对检索精度要求较高的 LLM 应用。
限制：资料未提供该技能的安装命令、收费与价格、平台支持范围及具体性能数据；示例依赖 LangChain、LangGraph 及第三方服务（如 Pinecone、Cohere、Voyage AI）的 API 密钥，实际可用性取决于这些外部依赖。