该技能面向需要让大语言模型基于外部知识作答的开发者，用途包括在自有文档上构建问答系统、接入实时事实的聊天机器人、自然语言语义搜索、以有依据的回答降低幻觉、让模型访问领域知识、文档助手以及带来源引用的研究工具等。
主要能力覆盖 RAG 的核心组件与流程：一、向量数据库，列出 Pinecone（托管、可扩展、查询快）、Weaviate（开源、混合搜索）、Milvus（高性能、可本地部署）、Chroma（轻量易用）、Qdrant（快速、支持过滤搜索）、FAISS（Meta 库、本地部署）。二、嵌入模型，包括 text-embedding-ada-002（1536 维，通用）、all-MiniLM-L6-v2（快速轻量）、e5-large-v2（高质量、多语言）、Instructor（任务指令）、bge-large-en-v1.5（SOTA 表现）。三、检索策略：稠密检索、稀疏检索（BM25、TF-IDF）、混合搜索、多查询与 HyDE。四、重排序：Cross-Encoder、Cohere Rerank、MMR、基于 LLM 的相关性打分。
使用方式以 LangChain 为主：加载文档、用 RecursiveCharacterTextSplitter 等切分、生成嵌入并写入向量库、构建 RetrievalQA 链后查询，可返回来源文档。高级模式含 EnsembleRetriever 混合检索、MultiQueryRetriever、ContextualCompressionRetriever、ParentDocumentRetriever。切分策略含递归字符、按 token、语义切分与 Markdown 标题切分；向量库给出 Pinecone、Weaviate、Chroma 的连接写法。优化手段含元数据过滤、MMR、Cross-Encoder 重排及上下文提示模板（含引用、置信度）。另提供评估指标（准确率、检索质量、有依据性）与最佳实践：块大小 500–1000 token、10%–20% 重叠、保存来源/页码/时间等元数据、混合搜索、重排、始终返回来源、持续评估与监控。
限制：具体价格、平台、效果与部署步骤资料未提供；示例中 API key、环境等需自行替换配置。