用途
rag-architect 是一个面向生产级 RAG（Retrieval-Augmented Generation，检索增强生成）系统设计的技能，覆盖从需求分析到检索质量评估的完整流程。
核心工作流
技能定义五步工作流，每一步完成后需通过检查点验证再进入下一步：
- 需求分析：明确检索需求、延迟约束、准确性要求和规模。
- 向量库设计：选择数据库、模式设计、索引策略、分片方案。
- 分块策略：文档切分、重叠、语义边界、元数据增强。
- 检索流水线：嵌入选择、查询转换、混合检索、重排序。
- 评估与迭代：指标追踪、检索调试、持续优化。
参考指南
技能按上下文加载以下详细指南：向量数据库（对比 Pinecone、Weaviate、Chroma、pgvector、Qdrant）、嵌入模型（选择、微调、维度权衡）、分块策略（文档切分、重叠、语义分块）、检索优化（混合搜索、重排序、查询扩展、过滤）、RAG 评估（指标、评估框架、检索调试）。
实现示例
技能给出五类代码示例，涵盖：使用 RecursiveCharacterTextSplitter 进行分块并附加来源与时间戳元数据；使用 OpenAI 嵌入模型与 Qdrant 创建集合、批量生成嵌入并通过确定性 ID 实现幂等去重写入；结合稠密向量检索与 BM25 稀疏检索的混合搜索（含租户过滤与加权排序）；使用 Cohere 对 top-k 结果重排序；使用 ragas 与 datasets 对 context_precision、context_recall、faithfulness、answer_relevancy 等指标进行评估。示例中给出检查点断言，如分块必须包含 source 元数据、去重后计数需与唯一 ID 数一致、混合搜索需返回非空结果、context_precision 不低于 0.7 且 context_recall 不低于 0.6 后再接入 LLM。
约束
必须做：在领域数据上评估多个嵌入模型后再选定；生产系统实现混合搜索（向量+关键词）；为多租户或领域检索添加元数据过滤；测量检索指标（precision@k、recall@k、MRR、NDCG）；在将上下文传给 LLM 前对 top-k 结果重排序；实现带确定性 ID 的幂等摄入与去重；持续监控检索延迟与质量；对嵌入做版本管理并规划模型迁移。
禁止做：未在领域数据上评估就使用默认分块大小（512）；跳过元数据增强（来源、时间戳、章节）；只关注 LLM 输出质量而忽略检索质量指标；未经预处理/清洗就存储原始文档；复杂多领域检索仅用余弦相似度；未在生产级数据量上测试就部署；忘记处理边界情况（空结果、畸形文档）；将嵌入模型与应用程序代码紧耦合。
输出模板
设计 RAG 架构时应交付：系统架构图（摄入+检索流水线）、向量数据库选型与权衡分析、分块策略及示例与理由、检索流水线设计（查询→结果流程）、评估计划（指标、基准、通过/失败阈值）。
适用场景与限制
适用于需要构建或优化 RAG 检索系统的工程场景。技能本身为设计流程与代码示例指导，不包含具体部署环境、收费或价格信息；相关平台、效果数据暂未提供。
引用文档
以下为作者声明的引用来源，保留指定版本、署名和许可。
- jeffallan/claude-skills/skills/rag-architect/SKILL.md — 署名：Jeffallan；许可：MIT；版本：
3bf9a24b76a7c122f1fc05e83929fbc84e1c207a。