核心用法
ragtop-planner 是一个面向达人推广场景的外部编排 Skill，基于 RAGTOP 三个核心工具接口（list_kb、list_doc、retrieval）执行四阶段工作流：
1. 规则提炼（RULES_SUMMARY）：从「方案」知识库召回执行规则，生成可落地的执行清单；
2. 案例总结（CASE_SUMMARY）：从「案例」知识库提取成功模式，为方案提供实证支撑；
3. 达人筛选（KOL_SELECTOR）：从「价格」知识库召回候选达人，生成 HTML 筛选表；
4. 方案生成（PLAN_GENERATION）：融合规则、案例、达人表及用户需求，输出最终推广方案。
Skill 通过环境变量 RAGTOP_API_TOKEN 完成鉴权，支持可选配置 RAGTOP_API_URL。执行时需先调用 list_kb 匹配三大知识库，优先使用多路 queries 召回，支持按 doc_ids 限定文档范围。最终输出需完成预算合规检查，且所有关键结论可追溯至召回来源。
显著优点
- 零后端改造：外部 OpenClaw 服务可直接调用，无需改动原有系统架构；
- 流程标准化：四阶段工作流清晰分离规则、案例、达人、方案四大模块，便于复用与审计；
- 召回灵活：支持单/多路查询、文档范围限定、阈值与 Top-K 动态调整；
- 可追溯性：强制要求关键结论标注来源文档，提升方案可信度；
- 预算管控：内置总价合规检查，避免超支风险。
潜在缺点与局限性
- 强依赖外部服务：RAGTOP 服务可用性直接影响 Skill 执行，网络中断或 API 变更会导致失效；
- 知识库命名刚性：必须严格匹配「方案」「案例」「价格」三个名称，灵活性不足；
- 召回质量波动：
score_threshold与top_k需手动调优，阈值过高易漏召，过低引入噪声； - 无内置 LLM 兜底：若 RAGTOP 召回为空，仅能提示用户重试，无生成式补全能力；
- 环境变量单点：
RAGTOP_API_TOKEN泄露风险较高，且不支持动态轮换机制。
适合人群
- 营销运营团队：需快速制定达人推广方案，依赖历史规则与案例沉淀；
- 外部平台开发者：希望通过 OpenClaw 协议集成达人营销能力，避免自建 RAG 系统；
- 中台产品团队：需将达人筛选与方案生成能力封装为标准化服务。
常规风险
- 数据泄露风险：达人价格、历史方案等敏感信息通过 API 传输，需确保 RAGTOP 服务端 TLS 加密与 Token 最小权限原则；
- 召回偏差风险：知识库更新滞后或标注质量差，导致规则/案例过时或误导；
- 预算超支风险：虽有关卡，但「低优先级达人剔除」逻辑依赖人工判断，自动化程度有限；
- 服务单点故障：RAGTOP 服务宕机或 Token 过期将直接导致 Skill 不可用，建议配置熔断与降级策略。