langchain-ai/langchain-skills✦ 精选0°

langchain-rag

仓库创建 2026年1月22日最近提交 7 小时前SkillHot 收录 1 小时前

⬈ GitHub 仓库 ⬈ SKILL.md 原文件 ⬇ Raw 原始文件

▸ 精选理由

覆盖从数据加载到向量存储的完整 RAG 管道关键点。

▸ 风险提示

通常依赖第三方嵌入或向量数据库，可能涉及外部API与数据泄露风险。

这个 Skill 做什么

提供构建 RAG 流程：加载、切分、嵌入与向量存储指南。

手把手教你搭建 RAG 流程：怎么加载文档、切分文本、做 embeddings（比如 OpenAI）、把向量放到 Chroma/FAISS/Pinecone 等向量库，然后按需检索并喂给 LLM 生成回答。当你要做知识检索增强生成、构建问答或文档助手时就用它，覆盖从索引到检索再到生成的完整流水线。特别在于把常见组件和工程细节串成可复用的步骤，省去踩坑摸索时间。

▸ 展开 SKILL.md 英文原文

INVOKE THIS SKILL when building ANY retrieval-augmented generation (RAG) system. Covers document loaders, RecursiveCharacterTextSplitter, embeddings (OpenAI), and vector stores (Chroma, FAISS, Pinecone).

开发编程RAG向量检索文档索引通用

1.1k

Stars

Forks

仓库内 Skill

积累中

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/langchain-ai/langchain-skills/main/config/skills/langchain-rag/SKILL.md

或 curl 直取 SKILL.md

curl -fsSL "https://raw.githubusercontent.com/langchain-ai/langchain-skills/main/config/skills/langchain-rag/SKILL.md"

SKILL.MD 节选查看完整文件 ↗

<overview>
Retrieval Augmented Generation (RAG) enhances LLM responses by fetching relevant context from external knowledge sources.

**Pipeline:**
1. **Index**: Load → Split → Embed → Store
2. **Retrieve**: Query → Embed → Search → Return docs
3. **Generate**: Docs + Query → LLM → Response

**Key Components:**
- **Document Loaders**: Ingest data from files, web, databases
- **Text Splitters**: Break documents into chunks
- **Embeddings**: Convert text to vectors
- **Vector Stores**: Store and search embeddings
</overview>

<vectorstore-selection>

| Vector Store | Use Case | Persistence |
|--------------|----------|-------------|
| **InMemory** | Testing | Memory only |
| **FAISS** | Local,

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