用途：RAG Implementer 用于实现生产可用的检索增强生成系统。RAG 由检索、上下文组装、生成三阶段组成，适合让大模型访问训练数据之外的新鲜、领域专属或私有知识；若 FAQ 页面、关键词搜索或简单语义搜索已够用，则不建议使用 RAG。知识库架构与治理可参考 knowledge-base-manager 技能，知识图谱实现可参考 knowledge-graph-builder 技能。
主要能力：资料给出八阶段流程——知识库设计、嵌入策略、向量存储、检索流水线、上下文组装、评估、生产部署、持续改进。技术要点包括混合检索（语义加 BM25）、交叉编码器重排序、上下文分块与后分块、GraphRAG、命题分块、查询扩展与 HyDE。评估指标为 Precision@K、Recall@K、忠实度与端到端延迟。
选型参考：向量库可选 Pinecone（托管）、Weaviate/Qdrant（自托管）、Chroma（轻量）、pgvector（已有 Postgres）、Milvus/Zilliz（十亿级）。嵌入模型可选 text-embedding-3-large（3072 维）、text-embedding-3-small（1536 维）、Voyage Code 3（代码）、multilingual-e5-large 或 Cohere embed-v4（多语言）。分块可选固定 500-1000 token、语义、递归、上下文、后分块。成本档位：Naive 约 1-2 周、50-150 美元/月、少于 1 万文档；Advanced 约 3-4 周、200-500 美元/月、1 万至 100 万文档；Modular 约 6-8 周、500-2000 美元以上/月、100 万以上文档。
限制：资料未提供具体安装命令、代码示例或官方仓库地址；上述成本与周期为资料给出的参考区间，实际以项目为准。使用前应先验证需求，避免在未验证用户需求时直接构建 RAG。