技能 rag-implementation
🥉 74 青铜
1
下载技能 ZIP
2
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
3
开启并开始使用
测试它
正在使用“rag-implementation”。 帮我开始构建RAG系统
预期结果:
- 阶段1：需求分析 - 定义您的用例（文档问答、语义搜索等），识别数据源，设定准确率要求和延迟目标
- 阶段2：嵌入选择 - 评估嵌入模型，测试领域相关性，测量嵌入质量，考虑成本和延迟权衡
- 阶段3：向量数据库设置 - 选择向量数据库（Pinecone、Weaviate、Chroma），设计模式，配置索引，建立连接
正在使用“rag-implementation”。 我应该使用哪个嵌入模型？
预期结果:
- 考虑这些因素：领域相关性（用您的数据测试）、嵌入维度要求、延迟约束，以及每1Ktoken的成本
- 常见选项：OpenAI text-embedding-ada-002用于通用场景，Cohere用于多语言，sentence-transformers用于自托管
- 建议：用您的实际数据测试前3个候选模型，以检索准确性作为决定指标
安全审计
安全v1 • 2/24/2026
Static analysis flagged 45 potential issues (external_commands, weak crypto, system reconnaissance). Manual evaluation confirms these are false positives. The skill contains only markdown documentation with code block examples referencing other skills. No actual shell commands, cryptographic algorithms, or system reconnaissance code exists. This is a documentation-only skill providing RAG implementation workflow guidance.
1
已扫描文件
198
分析行数
3
发现项
1
审计总数
低风险问题 (3)
False Positive: Markdown Code Block Backticks
Static analyzer flagged backticks as Ruby/shell command execution. These are markdown code fences (```) used for skill references like `Use @ai-product`. No actual shell commands present.
False Positive: Weak Crypto Detection
Static analyzer flagged 'weak cryptographic algorithm' on skill reference lines. Manual review confirms these are skill names (ai-product, rag-engineer) with no cryptographic content.
False Positive: System Reconnaissance Detection
Static analyzer flagged lines referencing other skills (similarity-search-patterns, hybrid-search-implementation) as system reconnaissance. These are legitimate skill references for workflow integration.
审计者: claude
质量评分
38
架构
100
可维护性
87
内容
50
社区
99
安全
91
规范符合性
你能构建什么
构建文档问答系统
创建知识库问答应用，使用LLM检索相关文档并生成答案。
实现语义搜索
使用嵌入和向量相似度在文档集合上设置语义搜索功能。
优化RAG管道
通过系统性检索优化评估和改进现有RAG系统性能。
试试这些提示
启动RAG项目
帮我开始构建RAG系统。使用@rag-implementation指导我完成初始阶段。
选择嵌入模型
我需要为RAG系统选择嵌入模型。带我了解RAG实现工作流程的第二阶段。
配置向量数据库
为我的RAG应用设置向量数据库。按照第三阶段的向量数据库设置工作流程进行。
评估RAG系统
帮我评估RAG系统质量。使用第八阶段的评估工作流程来定义指标和测试方法。
最佳实践
- 在深入技术实现之前，先从阶段1的需求分析开始
- 在与LLM集成之前，使用代表性查询测试检索质量
- 使用阶段8的评估指标来验证每个阶段的完成情况
避免
- 跳过需求分析直接进入嵌入模型选择
- 不考虑文档结构和查询模式就使用默认分块
- 在用简单测试验证检索质量之前就集成LLM
常见问题
这个技能执行代码吗？
不。这是提供指导和引用其他技能的工作流程指南。它不运行任何代码或与外部系统交互。
这个技能引用了哪些其他技能？
该工作流程引用了ai-product、rag-engineer、embedding-strategies、vector-database-engineer、similarity-search-patterns和llm-evaluation等技能。
支持哪些向量数据库？
该工作流程与数据库无关。它提供了设置任何向量数据库的指导，包括Pinecone、Weaviate、Chroma、Milvus和Qdrant。
可以用于生产系统吗？
是的。此工作流程提供适合生产RAG实现的结构化指导。按照每个阶段的质量门禁操作。
完整实现需要多长时间？
实现时间因数据复杂性和需求而异。8阶段结构允许在数天或数周内逐步推进。
与Claude Code兼容吗？
是的。此技能适用于Claude、Codex和Claude Code。使用它来指导AI助手构建RAG应用。