Sky-Cube RAG全链路搭建Skill
适用场景
为业务搭建 RAG 检索增强链路,解决 LLM 知识时效性、私有知识、幻觉控制问题。
执行步骤
- 文档解析:多格式(PDF/Word/HTML)统一转可切分文本,保留标题层级与表格结构。
- 切片策略:按语义边界(标题/段落)切分,单块 200-800 token,相邻块保留重叠(10-20%)。
- 向量化与入库:选 Embedding 模型(考虑中文效果),建向量索引,元数据过滤字段(来源/时间/类型)。
- 检索:混合检索(向量 + 关键词),Top-K 召回 + 相似度阈值过滤。
- 重排(Rerank):对召回结果重排,提升头部命中率。
- 生成:拼接上下文 + 引用标注,输出带出处的答案。
- 评测:建评测集(问答对),测召回率/准确率/MRR,迭代切片与检索参数。
规范要点
- 切片必须保留文档标题路径,生成引用必须能回溯到原始文档。
- 检索必须设相似度阈值,低于阈值明确回答「未找到依据」,禁止强行生成。
- 上下文长度受限时按重排分数截断,禁止随机丢弃。
- 所有向量数据与原始文档版本绑定,文档更新必须触发重建索引。
- 敏感文档必须先过脱敏/权限过滤再入库。
输出模板
## RAG 链路方案
数据流:解析 → 切片 → 向量化 → 检索 → 重排 → 生成
参数表:切片大小/重叠/Embedding模型/Top-K/阈值/Rerank模型
评测计划:评测集构成 + 指标基线
自检清单
- 引用可回溯到源文档
- 低置信度有拒答分支
- 文档更新有重建机制
- 敏感数据有入库过滤