RAG应用 Skill技能列表
RAG教科书学习助手Skill chatbot-implementation
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。
记忆Skill remember
这是一个记忆存储技能，用于将学习、模式或决策存储到内存系统中，支持自动类型检测、标签提取和高效检索。适用于知识管理、AI应用和RAG系统。关键词：记忆存储，学习管理，AI记忆，RAG，知识库，PostgreSQL，BGE嵌入。
RAG实现Skill rag-implementation
这个技能用于构建检索增强生成（RAG）系统，通过向量数据库和语义搜索增强大语言模型（LLM）应用，实现基于外部知识的准确回答，适用于文档问答、语义搜索、知识增强AI、LLM集成和问答系统等场景。关键词：RAG、检索增强生成、向量数据库、语义搜索、LLM、知识库、问答系统、人工智能、文档处理、检索优化。
Pinecone向量数据库集成技能Skill pinecone-integration
Pinecone向量数据库集成技能专注于为RAG（检索增强生成）应用提供完整的向量数据库解决方案。该技能涵盖Pinecone索引的创建、配置和管理，支持向量数据的批量插入、相似性搜索和元数据过滤。关键词：Pinecone向量数据库，RAG应用，相似性搜索，元数据过滤，批量操作，多租户策略，AI应用开发，向量检索
文档摄入管道Skill DocumentIngestionPipeline
文档摄入管道是一种处理原始文档、提取内容并为RAG系统准备的技能，涉及源连接器、文本提取、预处理和质量验证等关键步骤。
RAG分块策略技能Skill rag-chunking-strategy
RAG分块策略技能是一种专门用于优化检索增强生成（RAG）系统中文档处理流程的技术能力。它通过实现语义分块、递归分块、固定大小分块等多种智能文档分割策略，将长文档分解为适合向量数据库存储和检索的优化片段。该技能支持Markdown、代码等结构化文档的感知分块，可配置分块大小、重叠比例和分隔符，确保上下文完整性并提升后续嵌入模型处理和语义检索的准确性与效率。关键词：RAG分块策略，文档分割，语义分块，递归分块，固定大小分块，检索增强生成，向量数据库，LangChain，文本分割，AI文档处理。
向量嵌入优化Skill embedding-optimization
该技能用于优化向量嵌入的生成过程，通过模型选择、分块策略、缓存和性能调优，降低RAG系统和语义搜索的成本，提高检索质量。关键词包括：向量嵌入、RAG、语义搜索、成本优化、缓存、批量处理、性能监控。
递归知识处理Skill recursive-knowledge
递归知识处理是一种面向大规模文档语料库的智能信息处理技术。它通过构建知识图谱，将海量文档（如1000+文档，数百万词元）中的实体（人物、组织、概念等）和关系（引用、支持、关联等）进行结构化索引。核心功能是替代传统的暴力文档填充（context stuffing），利用状态化多跳推理（stateful multi-hop reasoning）来回答复杂查询。当用户的问题需要连接多个文档、进行深度推理或从文档中提取持久、可查询的知识时，该技能通过智能图谱遍历，在避免上下文窗口限制的同时，提供准确、可追溯的答案。适用于知识管理、智能问答、文档分析和研究辅助等场景。
检索-搜索-编排Skill retrieval-search-orchestration
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。
向量数据库应用技能Skill using-vector-databases
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。
RAG重排序与多样性过滤Skill rag-reranking
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。
RAG查询转换技能Skill rag-query-transformation
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