rag-patterns

Files (2)

• SKILL.md
• SKILL.md.disabled

SKILL.md (first lines)

# RAG 模式（检索增强生成）

## 概述
提供检索增强生成（Retrieval-Augmented Generation）系统的架构设计和优化指南，覆盖文档处理、分块策略、向量检索、重排序和评估全流程。

## 使用场景
- 构建基于私有知识库的问答系统
- 优化现有 RAG 系统的检索命中率和答案质量
- 选择分块策略（Chunking）和 Embedding 模型
- 评估 RAG 系统的检索和生成效果

## 核心原则
1. **分块策略决定检索质量**：分块太大导致检索精度降低，太小导致上下文碎片化。语义分块（按段落/章节）优于固定长度分块。
2. **检索增加冗余度**：召回 top_k 设为实际用量的 2-3 倍，留出重排序空间。检索不足时答案不完整，检索过多时引入噪声。
3. **重排序大幅提升准确率**：初检索使用轻量模型（BM25 / 向量相似度），最终选片使用强模型（Cross-encoder Reranker）。
4. **上下文组织影响生成质量**：将检索到的文档按相关性排列，标注来源，控制总长度在模型有效注意力窗口内。
5. **评估需要多维指标**：检索质量（Recall@k, MRR）、答案质量（忠实度、相关性）、用户体验（延迟、可解释性）。

## RAG 流水线
```
文档加载 → 文本提取 → 分块 → Embedding → 向量存储（索引）
查询 → 向量检索 → 混合检索（BM25 + 向量）→ 重排序 → 上下文组装 → LLM 生成
```

## 检查清单
- [ ] 分块策略是否基于文档语义（段落/章节）而非固定字符数？
- [ ] 检索召回数量是否为实际用量的 2-3 倍？
- [ ] 是否使用了重排序（Reranker）提升最终检索精度？
- [ ] 上下文中是否标注了每个引用片段的来源？
- [ ] 是否有系统的评估流程（检索指标 + 生成指标）？

From Sweetteabittersugar/agency, MIT.

More from Sweetteabittersugar/agency