为什么你的RAG总是答非所问？这个Skill帮你从根上解决问题

为什么你的 RAG 总是答非所问？

做 RAG（检索增强生成）的同学，十个有八个会遇到同一个问题：明明文档都喂进去了，模型却总是答不到点子上。

其实问题往往不在模型，在于”检索”这一步。你检索出来的内容质量不行，后面的生成就是”garbage in, garbage out”。

rag-implementation 这个 Skill 解决了什么

这是 Smithery 推出的 RAG 系统全链路 Skill，覆盖了从零搭建 RAG 应用的核心环节：

• 向量数据库选型：Pinecone / Weaviate / Milvus / Chroma / Qdrant / pgvector，各有优劣，Skill 里有决策树帮你选
• Embedding 模型：2026 年主流方案都有，voyage-3-large（Claude 系推荐）、text-embedding-3-large（OpenAI 系）、bge-large（开源本地部署）
• 检索策略：Dense / Sparse / Hybrid Search / Multi-Query / HyDE / Reranking，Skill 里都有代码示例
• Chunking 技巧：不是固定 token 数截断，而是语义分块、按句子边界、保留文档结构
• 实战代码：基于 LangGraph 的完整 RAG 流程，retrieve → rerank → generate 的样子

反直觉的避坑指南

Skill 里特别列出了常见的”反模式”，比如：

• ❌ 固定大小 Chunk——会截断句子和上下文
• ❌ 纯语义搜索不带元数据过滤——召回不准
• ❌ 不做检索质量评估——生成结果差但找不到根因

这些问题我在实际项目中都踩过，看到 Skill 里的 Anti-Patterns 列表很有共鸣。

适合谁用

正在搭文档问答系统、客服机器人、内部知识库搜索的同学，这个 Skill 可以帮你省掉大量查文档和试错的时间。

GitHub 完全开源，829 stars，质量有保证。

https://github.com/smithery/ai

GitHub: https://github.com/smithery/ai