rag-search

核心用法

rag-search 是一个最小化的 RAG（检索增强生成）后端检索组件，专为职业卫生领域的法规标准查询而设计。用户通过自然语言查询（如"GBZ 2.1-2019 苯 职业接触限值"），Skill 会执行以下流程：首先使用 QwenEmbeddingClient 调用通义千问 API 生成查询向量，然后通过 LiteVectorStore 从本地 SQLite 向量数据库召回相关内容，接着使用 QwenRerankClient 对召回结果进行重排序优化，最终返回包含原文内容、来源文件、条款编号、法规级别和相似度分数的结构化数据。

该 Skill 明确设计为后端组件，不直接面向终端用户，需通过 occupational_health_qa 或 occupational_health_report_writer 等上层 Skill 间接调用。

显著优点

1. 检索精度高：采用"向量召回+重排序"的两阶段架构，兼顾召回率和排序准确性
2. 结果可溯源：返回法规原文、标准编号、具体条款和法规级别，满足专业场景的溯源要求
3. 架构轻量：基于 SQLite 本地向量库，无需部署复杂的数据库服务
4. 输出结构化：标准化的 JSON 格式输出，便于下游 Skill 集成和二次处理
5. 领域聚焦：针对职业卫生法规优化，内置专业领域的向量化知识库

潜在缺点与局限性

1. 外部依赖强：核心功能依赖通义千问 API，存在网络延迟、服务可用性和成本问题
2. 数据更新受限：本地向量库更新需要离线重建，无法实时同步最新法规
3. 查询长度无限制：当前实现缺少输入长度校验，极端长查询可能导致异常
4. 环境耦合度高：模块路径和数据库路径均为硬编码，跨环境部署需修改代码
5. 单点查询：不支持批量查询或并发优化，高吞吐场景可能成为瓶颈

适合的目标群体

• 职业卫生 AI 应用开发者：需要法规检索能力的后端开发者
• 企业合规系统建设者：构建职业健康安全管理平台的工程团队
• 垂直领域 RAG 应用研究者：学习 RAG 架构在特定领域落地的参考案例
• 职业卫生咨询机构：需要自动化法规查询支持的专业服务机构

使用风险

1. 数据隐私风险：查询内容会发送至通义千问 API，敏感信息存在外发可能
2. 服务可用性风险：外部 API 故障将直接导致检索功能失效
3. 结果时效性风险：本地知识库更新滞后，可能返回已废止的法规条款
4. 性能波动风险：API 调用延迟不稳定，影响整体响应时间
5. 环境依赖风险：硬编码路径要求特定的部署环境，容器化部署需额外适配