这是一个基于RAG（检索增强生成）技术的智能聊天机器人，专门用于辅助用户高效学习和查询教科书内容。它通过向量数据库检索相关知识点，结合大语言模型生成精准、个性化的答案。核心功能包括：浮动聊天窗口、上下文高亮提问、移动端适配、用户身份感知。适用于在线教育、知识库问答、智能学习辅导等场景。关键词：RAG聊天机器人，教科书学习助手，智能问答，向量检索，教育科技，个性化学习，AI辅助学习。

文档抓取器技能用于自动化抓取在线文档网站，并将其编译为单个Markdown文件，专为AI代理提供上下文数据，支持RAG应用。关键词：文档抓取、AI上下文、Markdown编译、网页爬虫、slurp-ai、RAG应用、自动化工具。

本技能详细介绍了如何构建生产级的检索增强生成（RAG）系统，涵盖从文档摄取到智能检索的全流程。核心内容包括：语义分块策略（基于标题分割，避免固定大小）、增量索引与变更检测（通过文件哈希实现高效更新）、批处理向量嵌入（使用OpenAI API）、以及基于Qdrant向量数据库的过滤检索和上下文扩展。适用于需要构建企业级知识库、智能问答系统或文档智能检索应用的开发者，关键词包括：RAG系统、语义分块、增量索引、向量检索、Qdrant、OpenAI嵌入、生产级部署。

这个技能专注于使用向量数据库来实现人工智能和机器学习应用，包括语义搜索、检索增强生成（RAG）系统、推荐系统等。关键技术涵盖向量数据库选择（如Qdrant、Pinecone）、嵌入模型（如OpenAI、Voyage AI）、文档分块策略和混合搜索模式。适用于构建聊天机器人、搜索引擎、知识库问答等AI驱动的应用，关键词包括：向量数据库、AI、ML、语义搜索、RAG、嵌入生成、分块、混合搜索、Qdrant、Pinecone。

这是一个用于Agentuity云平台的命令行工具，专门用于列出和管理向量数据库中的所有命名空间。该技能需要用户先完成身份验证，并在正确的项目上下文中执行。主要功能包括：快速查询向量命名空间、支持多种别名调用方式、返回数组格式的结果。适用于向量数据库管理、AI应用开发、RAG系统维护等场景。 关键词：Agentuity云平台, 向量数据库, 命名空间管理, 命令行工具, 身份验证, RAG应用, 人工智能开发, 云原生操作

Agentuity云向量搜索工具是一个用于在Agentuity云平台上执行语义相似性向量搜索的命令行接口。它允许用户通过自然语言查询，在指定的命名空间（如产品、知识库、文档等）中查找语义上最接近的向量化数据条目。该工具支持设置结果数量限制、相似度阈值和元数据过滤，适用于AI应用开发、知识管理、内容检索和RAG（检索增强生成）系统构建等场景。关键词：向量搜索，语义相似性，AI智能体，RAG应用，Agentuity云平台，命令行工具，知识检索。

这个技能帮助您从非结构化或半结构化数据源设计和构建知识图谱，指导数据模型选择、模式设计、实体提取、关系提取和分层架构构建。适用于人工智能应用，如RAG（检索增强生成）、推理和分析，关键词包括知识图谱构建、实体提取、关系提取、数据模型、RAG应用、人工智能。

该技能用于设计RAG系统中知识图谱的检索策略，包括检索模式选择、查询分解、排名配置和来源跟踪，以提高信息检索的准确性和可追溯性。关键词：检索策略、知识图谱、RAG、查询分解、来源跟踪、检索增强生成。

本技能提供了Google Gemini嵌入API的全面生产就绪指南，用于生成文本嵌入向量，支持检索增强生成（RAG）、语义搜索、文档聚类等应用。包含SDK使用、REST API模式、批量处理、与Cloudflare Vectorize集成等高级用例。关键词：Gemini嵌入，RAG，语义搜索，向量搜索，文档聚类，API集成。

RAG查询转换技能是一个专注于提升检索增强生成（RAG）系统检索效果的工具集。它通过查询扩展、假设文档嵌入（HyDE）、多查询生成、查询分解和逐步回溯提示等核心技术，对用户原始查询进行智能转换和优化，从而从知识库中检索出更相关、更全面的信息片段，为大模型生成高质量答案奠定基础。 关键词：RAG查询转换，检索增强生成，查询扩展，HyDE假设文档嵌入，多查询生成，查询分解，逐步回溯提示，AI问答优化，知识库检索，大模型应用

该技能专注于检索增强生成（RAG）和搜索工程的完整实践，提供构建生产级系统的指南。涵盖文档分块、混合检索（BM25 + 向量搜索）、重排序、查询优化、排名管道设计、评估指标（如nDCG、MRR）以及现代最佳模式。适用于开发高效、准确的AI驱动检索和生成应用，关键词包括：RAG、搜索工程、混合搜索、分块策略、评估指标、生产系统。

RAG重排序技能专注于提升检索增强生成（RAG）系统的检索质量。它通过交叉编码器重排序、Cohere Rerank API、最大边际相关性（MMR）多样性过滤以及LLM评分等多种技术，对初步检索结果进行二次排序和筛选。该技能旨在优化RAG流程，确保返回给大语言模型的上下文信息既高度相关又具备多样性，从而显著提升最终生成答案的准确性和丰富性。关键词：RAG重排序，交叉编码器，MMR多样性过滤，Cohere Rerank，检索增强生成，多阶段检索，相关性排序，AI检索优化。