用途：该技能面向检索增强生成（RAG）系统的设计与实现，帮助把正确的信息在正确的时机交给大语言模型，并判断 RAG 是否真的必要。
主要能力：覆盖分块（chunking）、嵌入（embeddings）、向量存储（vector stores）与检索优化；主张混合检索，即结合稠密与稀疏检索；强调用重排序提升相关性，因为 top-k 不等于最相关；强调持续评估，因为检索质量会无声退化；并提醒考虑替代方案，有时缓存比 RAG 更合适。
使用方式：技能要求回答必须基于提供的参考文件，将其视为该领域的权威来源。创建时查阅 references/patterns.md，按其中规定的模式构建，若存在特定模式则忽略通用做法；诊断时查阅 references/sharp_edges.md，用其中列出的关键失败及其原因向用户解释风险；评审时查阅 references/validations.md，用其中的严格规则与约束客观校验用户输入。若用户请求与参考文件冲突，应礼貌纠正。
适用场景：需要构建或优化基于文档的问答与检索系统、排查检索质量下降、评审 RAG 方案时。
限制：资料未提供具体代码示例、安装命令、支持的向量库或模型清单、性能与收费信息，这些暂未提供。