claude-rag-skills

Ailog RAG Skills 套件为开发人员与 AI 工程师提供了一套构建检索增强生成 (RAG) 系统的综合工具集。它通过提供审核现有代码库、评估检索质量、优化切分策略及引导新项目的专用指令，简化了 RAG 开发的全生命周期。这些技能专为融入 Claude Code 工作流而设计，协助开发者识别常见的反模式，如切分效率低、嵌入模型选择不当或缺乏混合检索等问题，确保系统达到最佳的准确度与效能。

• 执行深入的 RAG 审核，以检测检索管线、向量数据库配置（如 Qdrant、Pinecone、Chroma）及嵌入策略中的潜在问题。

• 使用业界标准指标进行 RAG 性能评估，包括 Recall@K、Precision@K、平均倒数排名 (MRR) 及 NDCG。

• 为 LangChain、LlamaIndex 或原生 Python 实现等框架生成生产级的 RAG 样板代码。

• 通过专家级的切分顾问优化文档输入，根据代码、法律合同或技术文档等内容类型推荐具体的切分策略。

• 将本地系统与外部 API 或参考测试数据集进行基准测试，以衡量忠实度、相关性及幻觉防护机制。

• 使用者应直接在终端中调用指令，例如输入 /rag-audit 来扫描错误配置，或使用 /rag-eval 针对提供的 JSON 数据集执行自动化测试。

• 预期输入包括项目文件路径、目标嵌入模型，以及用于高级基准测试的可选 API 密钥（如 Ailog API）。

• 输出通常为结构化的 Markdown 报告，详细说明识别出的关键问题、可操作的修正步骤，以及用于系统改进的评分指标。

• 请注意，尽管该套件与框架无关，但它强调行业最佳实践，例如查询扩展、重排序 (Reranking)、混合检索（稠密与稀疏向量）以及正确的上下文窗口管理，以防止溢出与噪声问题。