RAG

核心用法

本 Skill 提供完整的 RAG（检索增强生成）系统构建方法论，覆盖从架构选型到生产运维的全生命周期：

架构设计：指导 embedding 模型选择、向量数据库选型、分块策略制定，提供决策清单（文档类型、延迟要求、更新频率、访问控制、合规要求、预算约束）确保选型匹配业务场景。

工程实现：包含 ingestion 管道、查询处理器、更新逻辑的代码级实现参考，强调关键工程实践——分块必须保留 10-20% 重叠防止边界上下文丢失，查询与文档必须使用同一 embedding 模型。

检索优化：系统讲解 top-k 调参、重排序、混合搜索的参数调优方法，建立"先评估后优化"的工作流，避免盲目调参。

评估与调试：提供测试集构建、召回率/精确率测量、故障诊断的完整方法论，覆盖六大典型故障模式（检索错误、遗漏相关文档、幻觉答案、响应缓慢、结果不一致等）的症状识别与修复方案。

生产运维：建立质量漂移监控机制，通过相似度平均分下降识别系统退化；强制要求检索时过滤访问权限（而非生成后过滤），并规划 GDPR 删除所需的重新嵌入能力。

显著优点

• 决策框架完整：六维决策清单（文档类型、延迟、更新频率、访问控制、合规、预算）大幅降低架构选型失误
• 故障模式系统化：将常见 RAG 故障归纳为六大类型，提供症状-原因-修复的三元组快速诊断
• 安全前置设计：将 PII 检测、访问控制、合规要求嵌入架构阶段，而非事后补丁

局限与风险

• 未提供具体代码实现：仅标记代码文件位置（implementation.md），无实际可运行的代码片段
• 评估依赖人工：测试集构建和故障诊断需人工介入，自动化程度有限
• 技术栈抽象：未绑定特定向量数据库或 embedding 模型，实际落地需额外调研
• 合规声明模糊：安全报告为系统占位生成，未经过真实安全扫描，企业使用前需独立审计

适合人群

• 需构建企业级知识库的后端工程师与架构师
• 已有 LLM 应用、需添加检索能力的 AI 团队
• 对 RAG 系统性能下降需系统诊断方法的技术负责人

常规风险

• 访问控制误配：规则强调"检索时过滤"，若实现不当可能导致未授权数据泄露
• 模型漂移未监控：embedding 模型更新或文档分布变化会导致相似度基准偏移
• 删除合规风险：GDPR 删除若未规划重新嵌入能力，可能导致残余向量泄露
• 延迟与质量权衡：实时场景下过度优化延迟可能牺牲检索质量，引发幻觉

RAG Skill 是一套面向生产环境的检索增强生成系统完整实施指南，涵盖架构设计、开发实现、性能优化、质量评估及运维监控五大核心领域。在架构层面，提供嵌入模型选型、向量数据库对比及分块策略决策框架，强调10-20%内容重叠以避免上下文边界丢失。实施环节包含管道代码模式、查询处理器设计及增量更新逻辑，配套6项关键决策检查清单（文档类型、延迟要求、更新频率、访问控制、合规约束、成本预算）。检索优化模块系统讲解 top-k 调参、重排序策略及混合搜索配置，并建立"先评估后优化"的严谨流程——要求先构建测试数据集，再迭代调参。评估体系覆盖召回率、精确率及失败诊断，生产运维则聚焦质量漂移监测、相似度分数告警及GDPR删除能力规划。安全合规是最大亮点：主动教导 PII 检测、检索时权限过滤（非事后过滤）、审计日志及 GDPR/HIPAA/SOC2 合规要求，体现强烈的安全责任意识。技能包含6种常见故障模式对照表（检索错误、漏检、幻觉、延迟、结果不稳定等），便于快速定位问题。作为纯知识型Skill，无实际可执行代码，仅提供架构建议与代码示例，风险极低，适合AI工程师、架构师及需要构建企业知识库的技术团队。