---

name: rag-implementation description: "RAG（检索增强生成）实现工作流，涵盖嵌入模型选择、向量数据库设置、分块策略和检索优化。" category: granular-workflow-bundle risk: safe source: personal date_added: "2026-02-27"

RAG 实现工作流

概述

专门用于实现 RAG（检索增强生成）系统的工作流，包括嵌入模型选择、向量数据库设置、分块策略、检索优化和评估。

何时使用此工作流

在以下情况下使用此工作流：

• 构建 RAG 驱动的应用程序
• 实现语义搜索
• 创建知识驱动的 AI
• 搭建文档问答系统
• 优化检索质量

工作流阶段

阶段 1：需求分析

需要调用的技能

• ai-product - AI 产品设计
• rag-engineer - RAG 工程

操作步骤

1. 定义用例
2. 识别数据源
3. 设定准确性要求
4. 确定延迟目标
5. 规划评估指标

复制粘贴提示词

Use @ai-product to define RAG application requirements

阶段 2：嵌入模型选择

需要调用的技能

• embedding-strategies - 嵌入策略选择
• rag-engineer - RAG 模式

操作步骤

1. 评估嵌入模型
2. 测试领域相关性
3. 衡量嵌入质量
4. 考虑成本/延迟
5. 选择模型

复制粘贴提示词

Use @embedding-strategies to select optimal embedding model

阶段 3：向量数据库设置

需要调用的技能

• vector-database-engineer - 向量数据库
• similarity-search-patterns - 相似性搜索

操作步骤

1. 选择向量数据库
2. 设计 Schema
3. 配置索引
4. 建立连接
5. 测试查询

复制粘贴提示词

Use @vector-database-engineer to set up vector database

阶段 4：分块策略

需要调用的技能

• rag-engineer - 分块策略
• rag-implementation - RAG 实现

操作步骤

1. 选择分块大小
2. 实现分块逻辑
3. 添加重叠处理
4. 创建元数据
5. 测试检索质量

复制粘贴提示词

Use @rag-engineer to implement chunking strategy

阶段 5：检索实现

需要调用的技能

• similarity-search-patterns - 相似性搜索
• hybrid-search-implementation - 混合搜索

操作步骤

1. 实现向量搜索
2. 添加关键词搜索
3. 配置混合搜索
4. 设置重排序
5. 优化延迟

复制粘贴提示词

Use @similarity-search-patterns to implement retrieval

Use @hybrid-search-implementation to add hybrid search

阶段 6：LLM 集成

需要调用的技能

• llm-application-dev-ai-assistant - LLM 集成
• llm-application-dev-prompt-optimize - 提示词优化

操作步骤

1. 选择 LLM 提供商
2. 设计提示词模板
3. 实现上下文注入
4. 添加引用处理
5. 测试生成质量

复制粘贴提示词

Use @llm-application-dev-ai-assistant to integrate LLM

阶段 7：缓存

需要调用的技能

• prompt-caching - 提示词缓存
• rag-engineer - RAG 优化

操作步骤

1. 实现响应缓存
2. 设置嵌入缓存
3. 配置 TTL
4. 添加缓存失效策略
5. 监控命中率

复制粘贴提示词

Use @prompt-caching to implement RAG caching

阶段 8：评估

需要调用的技能

• llm-evaluation - LLM 评估
• evaluation - AI 评估

操作步骤

1. 定义评估指标
2. 创建测试数据集
3. 衡量检索准确率
4. 评估生成质量
5. 迭代改进

复制粘贴提示词

Use @llm-evaluation to evaluate RAG system

RAG 架构

User Query -> Embedding -> Vector Search -> Retrieved Docs -> LLM -> Response
                |              |              |              |
            Model         Vector DB     Chunk Store    Prompt + Context

质量检查点

• [ ] 嵌入模型已选择
• [ ] 向量数据库已配置
• [ ] 分块已实现
• [ ] 检索正常工作
• [ ] LLM 已集成
• [ ] 评估通过

相关工作流包

• ai-ml - AI/ML 开发
• ai-agent-development - AI 智能体
• database - 向量数据库

限制

• 仅在任务明确匹配上述范围时使用此技能。
• 不要将输出视为特定环境验证、测试或专家审查的替代品。
• 如果缺少必要的输入、权限、安全边界或成功标准，请停下来寻求澄清。