核心用法
Ragie RAG Skill是一套完整的检索增强生成(RAG)执行框架，通过Ragie.ai API实现文档全生命周期管理。用户可通过三种路径使用该技能：
1. 文档上传路径(Case A)：支持本地文件(PDF/TXT等)或URL上传，自动执行分块、嵌入、索引流程，状态就绪后进入检索
2. 文档管理路径(Case B)：列出文档清单、查询处理状态、删除指定文档
3. 检索问答路径(Case C)：针对用户问题执行语义检索(默认top-k=6，启用重排序)，构造受限上下文提示，生成带引用的 grounded answer
技能严格遵循"无检索不回答"原则，强制要求在系统提示中植入事实边界约束，要求模型仅在检索到的文本块范围内作答。
显著优点
- 确定性工作流：三种场景覆盖完整生命周期，状态机清晰，无歧义分支
- 防幻觉机制：强制引用
document_name，零命中时明确声明知识缺口 - 生产级安全：API密钥环境变量隔离，禁止日志敏感信息，符合企业合规
- 灵活检索策略：支持分区隔离、元数据过滤、时效性偏置等高级配置
- 错误处理完备：覆盖404/422/429/5xx等HTTP状态码，含重试与退避逻辑
潜在局限
- 依赖外部SaaS：Ragie.ai服务可用性、定价模型、数据驻留政策构成外部依赖
- 无本地Embedding选项：必须将文档上传至第三方云端处理，对敏感数据场景可能受限
- 检索质量黑箱：重排序与分块策略由Ragie内部实现，用户无法精细调参
- Python环境前置：要求目标环境预置Python3及requests等依赖，增加部署复杂度
适合人群
- 需要快速搭建RAG能力而无自研向量数据库的技术团队
- 接受SaaS模式、文档敏感度适中的企业知识库场景
- 重视回答可溯源性、需降低LLM幻觉风险的合规驱动型组织
常规风险
- API密钥泄露风险(需严格.env管理)
- 第三方数据跨境传输合规审查
- 检索失败时用户体验降级(需设计友好兜底)
- 文档解析错误导致分块质量下降，进而影响检索精度