知识检索向量与切分策略

原名：embedding-strategies

根据文档语言、长度和任务选择向量化与切分方式，用检索样本验证效果。

中文 Skills 技能说明

企业知识检索经常漏掉答案或返回无关段落时，可让提示词工程师与 Ai 模型测试工程师协作。提供获准文档、目标问题、语言、模型和数据边界，技能比较分块、向量模型、维度与缓存策略，交付配置建议及对照测试集。中文效果需实际样本验证，不能从英文示例直接保证准确率。可优先本地模型与自有存储，外部模型需合法账号和数据授权；桌面端运行与重建索引前确认成本和备份，不自动改写公司知识库。

上游能力依据

上游原始适用说明：Select and optimize embedding models for semantic search and RAG applications. Use when choosing embedding models, implementing chunking strategies, or optimizing embedding quality for specific domains.

上游 SKILL.md 主要章节（保留原文标题）：

使用边界

先读取项目约定、依赖版本和现有测试，再提出最小改动。写文件、运行脚本、提交代码或发布前应检查差异并保留回退路径。

作者、翻译与许可证

原作者
Seth Hobson（wshobson）与 agents contributors
中文翻译
CEOFans翻译
许可证
MIT
上游来源
https://github.com/wshobson/agents/tree/46891e7e60da0e52baf1050b7b6391b64e84c6d9/plugins/llm-application-dev/skills/embedding-strategies

适用范围

平台：linux、macos、windows；标签：AI 工程、知识检索向量与切分策略、开源技能

安全提示

基础静态扫描不等于绝对安全。技能可能调用命令、浏览器、云服务或本地文件，请在最小权限环境中使用，高风险操作必须人工确认。

如发现侵权、许可证或安全问题，可在本页前台提交投诉，管理员复核后可立即下架。