企业知识问答与 RAG 实现
原名：rag-implementation
从授权文档建立检索、引用和回答流程，让知识问答能指出证据与未知项。
中文 Skills 技能说明
一人公司希望数字员工依据产品资料回答客户问题时，可让开发岗位数字员工与 Ai 模型测试工程师搭建验证方案。提供获准文档、权限规则、真实问题及自有模型端点，技能整理切分、索引、召回和回答链，交付实现草稿、引用规则及评测清单。RAG 不能保证零幻觉，检索不到应说明，不得绕过公司、部门或员工的资料范围。自建工具可本地使用，托管服务需核对地区、费用与数据授权；桌面端部署和写库需人审，不自动获得公司知识维护权限。
上游能力依据
上游原始适用说明：Build Retrieval-Augmented Generation (RAG) systems for LLM applications with vector databases and semantic search. Use when implementing knowledge-grounded AI, building document Q&A systems, or integrating LLMs with external knowledge bases.
上游 SKILL.md 主要章节（保留原文标题）：
- When to Use This Skill
- Core Components
- 1. Vector Databases
- 2. Embeddings
- 3. Retrieval Strategies
- 4. Reranking
- Quick Start with LangGraph
- Detailed patterns and worked examples
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/rag-implementation
适用范围
平台：linux、macos、windows；标签：AI 工程、企业知识问答与 RAG 实现、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。