RAG Implementation

RAG 实现工作流

概述

用于实现 RAG（检索增强生成）系统的专项工作流，包括 Embedding 模型选型、向量数据库搭建、分块策略、检索优化和评估。

适用场景

以下情况使用本工作流：

• 构建 RAG 驱动的应用
• 实现语义搜索
• 创建知识增强的 AI 系统
• 搭建文档问答系统
• 优化检索质量

工作流阶段

阶段一：需求分析

调用技能

• ai-product - AI 产品设计
• rag-engineer - RAG 工程

执行步骤

1. 定义使用场景
2. 识别数据源
3. 设定精度要求
4. 确定延迟目标
5. 规划评估指标

即用提示词

Use @ai-product to define RAG application requirements

阶段二：Embedding 选型

调用技能

• embedding-strategies - Embedding 选型
• rag-engineer - RAG 模式

执行步骤

1. 评估 Embedding 模型
2. 测试领域相关性
3. 衡量 Embedding 质量
4. 考虑成本/延迟
5. 选定模型

即用提示词

Use @embedding-strategies to select optimal embedding model

阶段三：向量数据库搭建

调用技能

• vector-database-engineer - 向量数据库
• similarity-search-patterns - 相似度搜索

执行步骤

1. 选择向量数据库
2. 设计 Schema
3. 配置索引
4. 建立连接
5. 测试查询

即用提示词

Use @vector-database-engineer to set up vector database

阶段四：分块策略

调用技能

• rag-engineer - 分块策略
• rag-implementation - RAG 实现

执行步骤

1. 选择分块大小
2. 实现分块逻辑
3. 添加重叠处理
4. 创建元数据
5. 测试检索质量

即用提示词

Use @rag-engineer to implement chunking strategy

阶段五：检索实现

调用技能

• similarity-search-patterns - 相似度搜索
• hybrid-search-implementation - 混合搜索

执行步骤

1. 实现向量搜索
2. 添加关键词搜索
3. 配置混合搜索
4. 搭建重排序
5. 优化延迟

即用提示词

Use @similarity-search-patterns to implement retrieval

Use @hybrid-search-implementation to add hybrid search

阶段六：LLM 集成

调用技能

• llm-application-dev-ai-assistant - LLM 集成
• llm-application-dev-prompt-optimize - Prompt 优化

执行步骤

1. 选择 LLM 供应商
2. 设计 Prompt 模板
3. 实现上下文注入
4. 添加引用处理
5. 测试生成质量

即用提示词

Use @llm-application-dev-ai-assistant to integrate LLM

阶段七：缓存

调用技能

• prompt-caching - Prompt 缓存
• rag-engineer - RAG 优化

执行步骤

1. 实现响应缓存
2. 搭建 Embedding 缓存
3. 配置 TTL
4. 添加缓存失效机制
5. 监控命中率

即用提示词

Use @prompt-caching to implement RAG caching

阶段八：评估

调用技能

• llm-evaluation - LLM 评估
• evaluation - AI 评估

执行步骤

1. 定义评估指标
2. 创建测试数据集
3. 衡量检索准确率
4. 评估生成质量
5. 迭代优化

即用提示词

Use @llm-evaluation to evaluate RAG system

RAG 架构

User Query -> Embedding -> Vector Search -> Retrieved Docs -> LLM -> Response
                |              |              |              |
            Model         Vector DB     Chunk Store    Prompt + Context

质量门禁

• Embedding 模型已选定
• 向量数据库已配置
• 分块已实现
• 检索正常工作
• LLM 已集成
• 评估通过

相关工作流包

• ai-ml - AI/ML 开发
• ai-agent-development - AI 智能体
• database - 向量数据库

限制条件

• 仅当任务明确匹配上述范围时使用本技能。
• 不要将输出视为环境特定验证、测试或专家评审的替代品。
• 如果缺少必要输入、权限、安全边界或成功标准，请停止并请求澄清。