RAG + Agent Skill：让 AI 精准检索你的知识库

RAG 基础

RAG（Retrieval-Augmented Generation）= 检索 + 生成。先从知识库找相关内容，再让 LLM 基于检索结果回答。

核心链路：用户问题 -> Embedding -> 向量搜索 -> Top-K 文档 -> LLM -> 回答

选择向量数据库

• Supabase pgvector：SQL 生态，易上手，适合小规模
• Pinecone：全托管，高性能，适合中大规模生产
• Chroma：本地优先，开源，适合开发测试
• Qdrant：高性能，支持过滤，适合复杂查询

嵌入文档的 Skill

创建一个 document-embedder Skill：

1. 读取文档目录
2. 分块（chunk）——每块 500-1000 token，重叠 50 token
3. 调用 Embedding API
4. 写入向量数据库

function chunkDocument(text, chunkSize = 500, overlap = 50) {
  const chunks = [];
  let start = 0;
  while (start < text.length) {
    chunks.push(text.slice(start, start + chunkSize));
    start += chunkSize - overlap;
  }
  return chunks;
}

检索 Skill

async function retrieve(query, topK = 5) {
  const queryEmbedding = await embed(query);
  const results = await vectorDB.search(queryEmbedding, topK);
  return results.map(r => r.text);
}

生成 Skill

将检索结果作为上下文注入 Prompt，并标注来源。如果资料中没有相关信息，明确说明。

优化技巧

• 混合检索：向量 + 关键词搜索结合
• 重排序：用 Rerank 对 Top-K 结果二次排序
• 元数据过滤：搜索时限定文档来源、时间范围
• 缓存热门查询：减少重复 Embedding 调用