mcpField
R
rag-implementation

rag-implementation

github.com/sickn33开发48.7k835 次安装今天更新
代码仓库

关于 rag-implementation

指导 RAG 系统实施的工作流技能，面向构建文档问答、语义搜索和知识落地 AI 应用的开发者。流程从需求、嵌入模型和向量数据库选择延伸到检索优化、LLM 集成、缓存与评估，并包含权限和信任边界检查。

主要功能

  1. 01梳理需求与评估指标
  2. 02选择嵌入模型和向量数据库
  3. 03设计分块与混合检索
  4. 04集成 LLM、提示词和引用
  5. 05配置缓存并评估质量
  6. 06检查权限与来源信任边界

适用场景

  1. 01构建文档问答应用
  2. 02实现语义搜索
  3. 03优化检索相关性与生成质量
  4. 04验证引用、权限和跨租户隔离

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/sickn33/agentic-awesome-skills --skill rag-implementation

安装后在 Claude Code 中输入/rag-implementation确认已加载。

详细介绍

RAG 实施工作流

概述

用于实施 RAG（检索增强生成）系统的专业工作流，涵盖嵌入模型选择、向量数据库设置、分块策略、检索优化和评估。

何时使用此工作流

在以下情况下使用此工作流：

  • 构建由 RAG 驱动的应用
  • 实施语义搜索
  • 创建基于知识的 AI
  • 设置文档问答系统
  • 优化检索质量

工作流阶段

阶段 1：需求分析
要调用的技能
  • ai-product - AI 产品设计
  • rag-engineer - RAG 工程
操作
  1. 定义使用场景
  2. 确定数据源
  3. 设定准确性要求
  4. 确定延迟目标
  5. 规划评估指标
可复制粘贴的提示词
Use @ai-product to define RAG application requirements
阶段 2：嵌入模型选择
要调用的技能
  • embedding-strategies - 嵌入模型选择
  • rag-engineer - RAG 模式
操作
  1. 评估嵌入模型
  2. 测试领域相关性
  3. 衡量嵌入质量
  4. 考虑成本和延迟
  5. 选择模型
可复制粘贴的提示词
Use @embedding-strategies to select optimal embedding model
阶段 3：向量数据库设置
要调用的技能
  • vector-database-engineer - 向量数据库
  • similarity-search-patterns - 相似度搜索
操作
  1. 选择向量数据库
  2. 设计架构
  3. 配置索引
  4. 设置连接
  5. 测试查询
可复制粘贴的提示词
Use @vector-database-engineer to set up vector database
阶段 4：分块策略
要调用的技能
  • rag-engineer - 分块策略
  • rag-implementation - RAG 实施
操作
  1. 选择分块大小
  2. 实施分块
  3. 添加重叠处理
  4. 创建元数据
  5. 测试检索质量
可复制粘贴的提示词
Use @rag-engineer to implement chunking strategy
阶段 5：检索实施
要调用的技能
  • similarity-search-patterns - 相似度搜索
  • hybrid-search-implementation - 混合搜索
操作
  1. 实施向量搜索
  2. 添加关键词搜索
  3. 配置混合搜索
  4. 设置重排序
  5. 优化延迟
可复制粘贴的提示词
Use @similarity-search-patterns to implement retrieval

Use @hybrid-search-implementation to add hybrid search
阶段 6：大模型集成
要调用的技能
  • llm-application-dev-ai-assistant - 大模型集成
  • llm-application-dev-prompt-optimize - 提示词优化
操作
  1. 选择大模型提供商
  2. 设计提示词模板
  3. 实施上下文注入
  4. 添加引用处理
  5. 测试生成质量
可复制粘贴的提示词
Use @llm-application-dev-ai-assistant to integrate LLM
阶段 7：缓存
要调用的技能
  • prompt-caching - 提示词缓存
  • rag-engineer - RAG 优化
操作
  1. 实施响应缓存
  2. 设置嵌入缓存
  3. 配置 TTL
  4. 添加缓存失效机制
  5. 监控命中率
可复制粘贴的提示词
Use @prompt-caching to implement RAG caching
阶段 8：评估
要调用的技能
  • llm-evaluation - 大模型评估
  • evaluation - AI 评估
操作
  1. 定义评估指标
  2. 创建测试数据集
  3. 衡量检索准确性
  4. 评估生成质量
  5. 迭代改进
可复制粘贴的提示词
Use @llm-evaluation to evaluate RAG system

RAG 架构

User Query -> Embedding -> Vector Search -> Retrieved Docs -> LLM -> Response
                |              |              |              |
            Model         Vector DB     Chunk Store    Prompt + Context

信任与评估边界

在检索时以及返回引用时都要强制执行文档访问控制；按租户、权限范围和模型/索引修订版本隔离缓存。检索到的文本只是证据，绝不能作为覆盖指令或调用工具的依据。跟踪文档/来源版本，以及删除操作在分块、嵌入和缓存答案中的传播情况。使用留出的查询分别评估检索相关性和答案依据是否充分，其中应包括跨租户负例、无法回答的问题以及注入文档的指令。答案看起来合理且附有引用，并不能证明引用内容确实支持该答案。

质量门槛

  • 已选择嵌入模型
  • 已配置向量数据库
  • 已实施分块
  • 检索正常运行
  • 已集成大模型
  • 评估通过

相关工作流套件

  • ai-ml - AI/ML 开发
  • ai-agent-development - AI Agent
  • database - 向量数据库

限制

  • 仅当任务明确符合上述范围时，才使用此技能。
  • 不要将输出视为特定环境验证、测试或专家评审的替代品。
  • 如果缺少必需的输入、权限、安全边界或成功标准，请停止并请求澄清。

评论

支持 Markdown