RAG 系统构建助手 Skill 技能

技能简介

sickn33-rag-engineer 是 Skillstore 上专门服务 RAG（Retrieval-Augmented Generation）系统建设的工程技能。它针对 RAG 项目最常见的"检索质量差、无评估指标、答案不准确"三大痛点，给出从文档分块、嵌入、混合检索到重排序与质量评估的完整方法论。技能由 sickn33 维护，qualityScore 79，已通过 Skillstore 完整审计，可被 Claude、Codex、Claude Code 直接调用。

核心能力

• 设计语义分块策略，涵盖句子边界、主题切换、文档结构、overlap 与元数据
• 解释分层检索（段落级、章节级、文档级索引）的构建逻辑
• 组合 BM25 或 TF-IDF 关键词检索与向量相似度检索
• 应用 Reciprocal Rank Fusion 与查询相关的 score weighting 进行融合排序
• 给出重排序、相关性阈值、检索评估与嵌入刷新策略
• 识别 RAG 反模式：固定大小分块、过度索引、忽略评估等
• 拆分检索评估与生成评估，量化 recall、precision、context usefulness

安装配置

• Skillstore CLI 一键安装：npx skillstore add sickn33/rag-engineer
• 兼容 Claude、Codex、Claude Code 三类 Agent，无需额外 Key
• 依赖仓库：https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/rag-engineer
• 风险因素 external_commands 已在审计中确认 false positive
• 启用方式：在 Agent 会话中调用技能名即可获得 RAG 设计指导

使用步骤

1. 加载 sickn33-rag-engineer 技能并准备好 RAG 项目的文档类型与目标
2. 让 Agent 推荐分块策略（语义/分层/结构化），并确定 overlap、metadata 字段
3. 评估向量检索模型与 embedding refresh 节奏，必要时叠加 BM25 关键词检索
4. 引入 RRF 或自定义 query-weighted fusion 进行初排序
5. 选择重排序模型并设定相关性阈值，输出去噪后的 top-k 上下文
6. 建立检索质量评估集，分离 recall、precision 与上下文利用率指标
7. 把评估结果接入 CI，做上线门禁与日常回归监控

适用场景

• 搭建企业内部知识库问答与文档检索系统
• 改善既有 RAG 应用的相关性与答案准确率
• 评估与对比不同 embedding 模型与检索组合
• 标准化 RAG 工程实践，统一分块、检索、评估流程
• 在多语言或多类型文档混合场景下做分层索引
• 制定 RAG 项目的检索质量上线门槛与回归机制

适用人群

• AI 应用工程师与算法工程师
• 负责 RAG / 知识库产品落地的研发团队
• 数据工程师与平台架构师
• 正在评估私有知识库方案的产品负责人

工作原理

技能内置分块策略模板、混合检索与 RRF 公式说明、重排序设计要点以及反模式列表，让 Agent 能按文档类型、查询模式、相关性目标选择合适的 RAG 架构。所有推荐均以"先评估再决策"为前提，强调把检索质量从"感觉"变成可测量的指标。

官方链接

• Skillstore 页面：https://skillstore.io/skills/sickn33-rag-engineer
• GitHub 仓库：https://github.com/sickn33/antigravity-awesome-skills/tree/main/skills/rag-engineer
• Manifest：https://skillstore.io/api/skills/sickn33-rag-engineer/manifest
• 安装命令：npx skillstore add sickn33/rag-engineer