用途：该技能面向构建检索增强生成（RAG）系统，使 LLM 应用能基于外部知识源给出准确、有依据的回答，降低幻觉。适用场景包括：对私有文档做问答、需要最新事实信息的聊天机器人、自然语言语义检索、领域知识问答、文档助手、带来源引用的研究工具。
主要能力：涵盖 RAG 核心组件与流程。向量数据库方面列出 Pinecone、Weaviate、Milvus、Chroma、Qdrant、FAISS 等选项；嵌入模型列出 text-embedding-ada-002、all-MiniLM-L6-v2、e5-large-v2、Instructor、bge-large-en-v1.5；检索策略包括稠密检索、稀疏检索（BM25、TF-IDF）、混合搜索、多查询、HyDE；重排方法包括 Cross-Encoder、Cohere Rerank、MMR、LLM 打分。还给出快速上手流程（加载文档、切分、向量化、建检索链、查询）以及多种高级模式：混合搜索、多查询检索、上下文压缩、父文档检索。
使用方式：基于 LangChain 生态，典型步骤为用 DirectoryLoader 加载文档，用 RecursiveCharacterTextSplitter 等切分，用 OpenAIEmbeddings 生成向量并存入 Chroma 等向量库，再用 RetrievalQA 构建检索问答链并查询。文档还给出 Pinecone、Weaviate、Chroma 的配置示例，以及元数据过滤、MMR、Cross-Encoder 重排的用法，并附 RAG 提示词模板（含引用、含置信度）与评估指标示例。
限制：资料未提供具体安装命令、收费与价格信息，也未给出效果基准或性能承诺。常见问题与最佳实践提到：切分块建议 500–1000 token、重叠 10–20%、加入元数据、混合检索、重排、返回来源引用并持续评估与监控；需注意向量库选择、检索质量与上下文窗口限制。具体部署与成本需以各组件官方文档为准。