用途
rag-agent-builder 面向需要构建检索增强生成（RAG）应用的开发者。RAG 的核心思路是把大语言模型的能力与外部知识源结合起来：先从知识库中检索相关资料，再把资料作为上下文交给模型，从而生成更贴合具体资料的回答。该技能说明：没有 RAG 时，模型依赖训练数据，可能过时或有限；使用 RAG 时，模型可以结合实时、自定义的知识与训练知识。
适用场景
资料给出的适用场景包括：文档问答（针对 PDF、书籍、报告提问）、知识库搜索（查询内部文档、wiki）、企业搜索（搜索公司专有数据）、特定领域助手（客服、HR 助手）、事实密集型应用（法律文档、医疗记录、财务数据）。资料同时给出不适合 RAG 的情况：通用知识问答、持续变化的实时数据（更适合用工具）、非常简单的查找任务（更适合数据库查询）。
主要能力与架构模式
技能覆盖 RAG 的三大组件：文档检索（从知识库找到相关信息）、上下文整合（把检索到的上下文传给 LLM）、响应生成（基于检索信息生成有依据的回答）。
架构模式包括：
- 基础 RAG 管道：文档 → 分块 → 嵌入 → 向量库；用户问题 → 嵌入 → 检索 → LLM → 答案。
- 智能体 RAG（Agentic RAG）：由智能体决定检索什么、何时检索，可迭代优化查询。
- 分层 RAG：多级文档结构，在不同细节层级上检索。
- 混合搜索 RAG：结合关键词搜索（BM25）与语义搜索（嵌入），兼顾精确匹配与含义。
- 纠正式 RAG（CRAG）：评估检索到的文档相关性，必要时补充检索，保证上下文质量。
实现组件
文档处理：资料给出固定大小分块、语义分块、分层分块的示例代码片段，并提到分块大小会影响检索质量与成本，重叠有助于保持上下文。
嵌入生成：列出常用嵌入模型，包括 OpenAI 的 text-embedding-3-small / text-embedding-3-large，开源的 all-MiniLM-L6-v2、all-mpnet-base-v2，以及领域专用嵌入；建议索引与查询使用同一嵌入模型、存储归一化向量、文档变更时更新嵌入。
向量数据库：列出 Pinecone、Weaviate、Milvus、Chroma、Qdrant，并给出选择维度（规模、延迟、成本、托管或自托管偏好）。
检索策略：给出相似度搜索、混合搜索、重排序的示例，检索参数包括 k 值、相似度阈值、多样性。
上下文整合与生成：给出上下文窗口管理与提示词设计示例，生成策略包括直接生成、摘要、事实落地（引用来源）、迭代优化。
实现模式
资料介绍三种模式：
- 基础 RAG：分块、嵌入、入库、取 top-k、带上下文传给 LLM；优点是简单快速，缺点是可能漏掉相关上下文、无优化。
- 智能体 RAG：智能体接收问题后决定是否检索、构造检索查询、可迭代或使用工具；适合复杂问题，但更复杂、成本更高。
- 纠正式 RAG：对每篇检索文档做相关性评分，效果差时换检索策略、扩大范围或换数据源；答案质量更高，但 API 调用更多、更慢。
使用方式
资料说明可参考 examples/ 目录中的完整实现，包括 basic_rag.py（简单分块-嵌入-检索-生成管道）、retrieval_strategies.py（混合搜索、重排序、过滤）、agentic_rag.py（智能体控制的迭代检索）；scripts/ 目录提供辅助模块：embedding_management.py、vector_db_manager.py、rag_evaluation.py。资料还给出 LangChain、LlamaIndex、CrewAI with RAG 的示例代码片段。
最佳实践
资料按四类给出建议：文档准备（清洗文本、保留结构、加元数据、扫描件 OCR、测试分块大小）；嵌入策略（索引与查询用同一模型、领域微调、归一化、监控质量）；检索优化（调 k、重排序、相关性过滤、监控精确率与召回率、缓存高频文档）；生成质量（引用来源、提示模型表明置信度、引用具体文档、长上下文摘要、对照上下文校验答案）。还建议监控与评估：跟踪检索指标、答案质量、记录失败检索、收集用户反馈并迭代。
常见挑战与评估
资料列出四类挑战及对应思路：检索不相关（改进分块、更好嵌入模型、加入元数据、重排序、混合搜索）；上下文过大（减小分块、减少 k、摘要、分层检索、按相关度过滤）；信息缺失（增大 k、改进嵌入、更好预处理、多策略、文档层级）；性能慢（托管向量库、缓存嵌入、批处理、优化分块、更小嵌入模型）。
评估指标分两类：检索指标（Precision、Recall、MRR、NDCG）；答案质量指标（相关性、正确性、依据性、用户满意度）。
高级技术与参考资料
高级技术包括查询扩展、文档压缩、主动检索、多模态 RAG。资料还列出关键论文（Lewis 等的 RAG 论文、Guu 等的 REALM）以及框架与向量数据库的官方链接，包括 LangChain、LlamaIndex、HayStack、Pinecone、Weaviate、Qdrant、OpenAI 嵌入文档、Hugging Face。
限制与暂未提供的信息
资料未提供具体安装命令、依赖版本、运行环境要求、收费或许可信息，也未给出官方文档地址以外的使用步骤。以上内容均以资料实际记载为准，缺失事实暂未提供。