rag-implementation

用途：面向检索增强生成（RAG）系统实现，帮助把正确的信息在合适时机提供给大模型，并判断何时使用 RAG、何时属于不必要的开销。主要能力：文档分块（document-chunking）、嵌入模型（embedding-models）、向量库（vector-stores）、检索策略（retrieval-strategies）、混合检索（hybrid-search）、重排序（reranking）。推荐模式：语义分块（按含义而非固定大小分块）、混合检索（结合稠密向量与稀疏关键词检索）、上下文重排序（用 LLM 对召回文档按相关性重排）。应避免的反模式：固定大小分块、无重叠、单一检索策略。注意事项：分块不当会严重破坏检索质量，可用带重叠的递归字符文本分割器；查询与文档嵌入需使用一致模型；RAG 会显著增加响应延迟，需优化；文档更新后需同步刷新嵌入。相关技能包括上下文窗口管理、对话记忆、提示缓存、数据管线。具体安装命令、价格与详细步骤暂未提供。