rag-implementation

RAG Implementation 技能为构建检索增强生成系统提供了完整的框架，旨在减少幻觉并确保 LLM 应用程序的真实准确性。此技能专为构建复杂文档问答平台、领域专属聊天机器人或研究型智能工具的 AI 工程师与开发人员所设计。通过整合向量存储、先进的检索策略与编排模式，此技能使开发人员能够缩小静态 LLM 知识与动态专有数据之间的落差。

• 支持业界标准向量数据库，包括 Pinecone、Weaviate、Milvus、Chroma、Qdrant 与 pgvector，以实现高效的嵌入存储与检索。

• 实作多阶段检索管线，包括密集检索、稀疏关键词比对 (BM25) 以及使用倒数排名融合 (RRF) 的混合搜索。

• 提供先进的重排 (Reranking) 能力，利用交叉编码器 (Cross-Encoders)、最大边际相关性 (MMR) 与基于 LLM 的评分机制来优化上下文精确度。

• 整合 LangGraph 进行持久且有状态的代理工作流，实现对检索文档进行复杂的多步骤推理。

• 支持复杂的检索模式，如多重查询扩展 (Multi-Query)、HyDE (假设性文档嵌入) 与上下文压缩，以最大化召回率。

• 提供高性能嵌入模型的设定指南，包括 voyage-3-large、text-embedding-3-large 与 BGE 模型，确保最佳的语义呈现。

• 专为使用 LangChain 与 Python 构建可扩展、生产级 AI 服务的开发人员所设计。

• 非常适合需要来源引用、稳健推理以及处理专有企业或研究文档的项目。

• 建议通过模块化组件进行迭代测试，根据特定领域限制调整检索性能。

• 实作时，请务必使用 RecursiveCharacterTextSplitter 进行明确的文档分块策略，以取得最佳嵌入质量。

• 输入通常为原始文本文件或非结构化数据来源，输出则为基于上下文、准确且减少对模型内部训练数据依赖的回答。