rag

仓库创建 2025年10月21日最近提交 1 个月前SkillHot 收录 20 天前

⬈ GitHub 仓库 ⬈ SKILL.md 原文件 ⬇ Raw 原始文件

▸ 精选理由

把常见的检索增强生成流程模块化，适合快速搭建文档问答与知识库接入。

▸ 风险提示

通常需调用外部嵌入/向量存储服务并使用 API Key

这个 Skill 做什么

实现文档分块、嵌入生成、向量存储与检索的 RAG 管道。

把文档切块、做向量化嵌入、存进向量库并实现检索，帮你把静态资料变成可问答的知识库（RAG）。要做文档问答系统、知识型聊天机器人或把业务文档接入模型时用。亮点是覆盖从预处理到检索配置的全流程，能把复杂文本变成可高效检索的向量索引。

▸ 展开 SKILL.md 英文原文

Implements document chunking, embedding generation, vector storage, and retrieval pipelines for Retrieval-Augmented Generation systems. Use when building RAG applications, creating document Q&A systems, or integrating AI with knowledge bases.

数据与抓取RAG向量检索嵌入通用

311

Stars

Forks

仓库内 Skill

+10

7 日增星

安装 / 使用

给你的 Agent 一句话（通用）

帮我安装这个 skill：https://raw.githubusercontent.com/giuseppe-trisciuoglio/developer-kit/main/plugins/developer-kit-ai/skills/rag/SKILL.md

或 curl 直取 SKILL.md

curl -fsSL "https://raw.githubusercontent.com/giuseppe-trisciuoglio/developer-kit/main/plugins/developer-kit-ai/skills/rag/SKILL.md"

SKILL.MD 节选查看完整文件 ↗

# RAG Implementation

Build Retrieval-Augmented Generation systems that extend AI capabilities with external knowledge sources.

## Overview

This skill covers: document processing, embedding generation, vector storage, retrieval configuration, and RAG pipeline implementation.

## When to Use

- Building Q&A systems over proprietary documents
- Creating chatbots with factual information from knowledge bases
- Implementing semantic search with natural language queries
- Reducing hallucinations with grounded, sourced responses
- Building documentation assistants and research tools
- Enabling AI systems to access domain-specific knowledge

## Instructions

### Step 1: Choose Vector Database

Se

via SKILL·HOT · 数据来自 GitHub 公开信息 · 原文版权归作者所有