RAG 为什么总拉胯？这个 19k星的 LLM 应用模式库告诉你真正的问题在哪

为什么你写的 RAG 总是效果拉胯？

做过 RAG 的同学大概率有过这种经历——vecdb 查出来一堆 chunks，LLM 却还是答非所问。不是模型不行，是你那条 RAG 链路从根上就设计错了。

今天挖到一个叫 llm-app-patterns 的 Skill，GitHub ⭐ 19,892，业界罕见的高热毒顶。它不是那种教你「怎么调 API」的玩具，而是一套覆盖 RAG 架构、Agent 模式、LLMOps 全链路的生产级工程手册。写它的团队参考了 Dify 的设计哲学和大量一线大厂的实践，把 RAG 踩坑经验全写进了代码。

RAG 不只是「查向量」那么简单

大多数人以为 RAG 就是：向量数据库 + 相似度检索 + 塞进 prompt。但实际上这链条里每个环节都有无数细节决定成败。

这个 Skill 第一个让我眼前一亮的地方是把 chunking 策略讲透了。它给出了 5 种分块方案：固定大小（简单但会切断语义）、语义分块（按段落切，保留含义）、递归分割（尝试多种分隔符）、文档感知（尊重文章结构）。还给了推荐配置：chunk_size=512、overlap=50，配上 separators 优先级。

然后是 embedding 选型。Skill 列出了 Pinecone（生产托管）、Weaviate（自部署多模态）、ChromaDB（开发阶段）、Pgvector（已有 Postgres 基础设施）四种常见方案，还对比了 OpenAI text-embedding-3-small/large 和免费本地 BGE-large 的成本与质量。这比自己一篇篇查文档快太多了。

检索的骚操作：混合搜索 + 多查询 + 压缩

基础语义搜索只是起点。Skill 给出三种进阶检索模式：

• 混合搜索：语义相似度 × 0.5 + BM25 关键词 × 0.5，再做 Reciprocal Rank Fusion 融合结果。alpha 参数可调，适用不同类型 query。
• 多查询检索：让 LLM 生成原问题的 3 个变体，同时查再合并去重，recall 显著提升。
• 上下文压缩：先粗召回 top-10，再让 LLM 提取相关片段，兼顾「全」和「准」。

这些在真实业务场景里都是血泪经验。

四大 Agent 架构一次搞清楚

Skill 第二个重磅内容是 Agent 架构模式，包含 ReAct（推理+行动交替）、Function Calling（结构化工具调用）、Plan-and-Execute（规划+执行分离）、Multi-Agent（多角色协作）。每种都给了完整的 Python 代码实现和适用场景分析。

特别是那个架构决策矩阵——什么场景用哪种模式、复杂度多少、成本几何，一目了然。再也不用纠结「这个任务用 ReAct 还是 Plan-Execute」这种问题了。

LLMOps：很多人第一步就跳过的坑

Skill 还用了整整一章讲监控和可观测性。latency_p50/p99、 hallucination_rate、cache_hit_rate、error_rate……这些指标听起来常识，但真正上线时能完整搭起来的团队少之又少。这里直接给出基于 OpenTelemetry 的分布式追踪代码模板，改改就能用。

总结

这个 Skill 核心价值就一句话：把 LLM 应用从「能跑」变成「能上线」的那些工程细节，全部系统化了。不管你是要搭 RAG、还是设计 Agent、还是做线上监控，都能直接参考它的代码和决策树，省去大量试错时间。

GitHub：https://github.com/davila7/claude-code-templates

GitHub: https://github.com/davila7/claude-code-templates