用途：rag-expert 面向检索增强生成（RAG）系统的设计与排障，核心思路是让模型基于自有语料作答，并指出几乎所有失败都源于检索失败，应按 ingest → chunk → embed → index → query → rewrite → retrieve → rerank → assemble context → generate → cite 的顺序调试，答案错误时先看检索到了什么，而非改提示词。
主要能力：区分检索与生成指标（recall@k、groundedness），避免用调提示词解决切分问题；主张混合检索（稠密+词法）作为默认而非优化项，因为向量检索对错误码、SKU、罕见姓氏等精确标识不可靠；给出按结构优先切分、再按大小打包的 chunk_markdown 示例，建议在嵌入前拼接文档标题与标题路径并保留 document_id、start、end 偏移量；给出 pgvector 建表、HNSW 与 gin 索引、行级安全的 SQL，强调租户过滤是安全边界而非事后筛选；提供 reciprocal_rank_fusion 融合与 CrossEncoder 重排序代码，检索取 40–100 候选、重排保留 5–10 条；提供要求引用与拒答的系统提示模板，并要求机械校验引用；把评估拆分为检索 recall@k、重排 MRR/nDCG、生成 groundedness、端到端正确性四层。
使用方式与限制：资料给出安装/代码片段与命令（如 CREATE EXTENSION IF NOT EXISTS vector、CREATE INDEX ... hnsw、CrossEncoder("BAAI/bge-reranker-v2-m3")），需按自身模型与数据替换。文中指出向量模型变更须重新嵌入、索引需保持最新、权限须在查询期按请求者权限过滤，并列出常见反模式。价格、平台与部署细节暂未提供。