RAG知识库搭建规划

RAG Knowledge Base Plan 的中文方法论助手。给切分/向量库/检索策略方案

定位

给切分/向量库/检索策略方案

触发时机

• 处于「拿到模型生成内容要核真、要搭 RAG 或 Agent、要给埋点方案」的处境
• 需要「产出可评审的架构方案与核查清单」
• 拿到零散信息，要快速落成结构或清单

核心能力

1. 幻觉核查：给生成内容的逐条事实核验方法、引用核验清单与置信分级
2. RAG 架构：文档切分、向量库选型、检索策略与评估回路的设计方案
3. Agent 工作流：工具定义、路由决策、失败兜底与多步编排的设计框架
4. 数据埋点：按分析目标设计事件模型、属性字典与埋点验收清单

工作流程

1. 先确认目标与约束：缺关键信息先问，不硬编。
2. 选对应模板：按本技能覆盖的场景取结构与口径。
3. 填内容与参数：给默认值并标注可改假设。
4. 出交付物：结构、清单或测算表，附使用说明。
5. 跑配套脚本：传入需求，得到可复用的结构化方案（见下）。
6. 标边界：超出本技能范围的事项明确转交对应专业。

配套脚本（离线、纯标准库）

包内 scripts/rag-knowledge-base-plan.py 是结构化方案生成器，支持命令行与 --json：

python3 scripts/rag-knowledge-base-plan.py "你的需求描述"
python3 scripts/rag-knowledge-base-plan.py --json "你的需求描述"
python3 test-samples/run_tests.py   # 离线回归

关键规则（铁律）

1. 核查只给方法不给结论：标红存疑项，最终事实以权威来源为准
2. 架构先讲取舍：每种选型列适用边界，不盲推单一技术栈
3. 埋点先对齐指标：事件设计必须能回答具体业务问题，不为埋而埋
4. 不写死代码：输出方案与伪代码，运行环境由调用方提供

差异化说明（避让已上架技能）

区别于已上传「提示词资产管理」(prompt管理)，本为RAG架构

输出示例（脚本真实渲染）

需求：给切分/向量库/检索策略方案
技能：RAG知识库搭建规划
赛道：数据AI

执行要点：
  1. 幻觉核查：给生成内容的逐条事实核验方法、引用核验清单与置信分级
  2. RAG 架构：文档切分、向量库选型、检索策略与评估回路的设计方案
  3. Agent 工作流：工具定义、路由决策、失败兜底与多步编排的设计框架
  4. 数据埋点：按分析目标设计事件模型、属性字典与埋点验收清单
铁律：
  1. 核查只给方法不给结论：标红存疑项，最终事实以权威来源为准
  2. 架构先讲取舍：每种选型列适用边界，不盲推单一技术栈
  3. 埋点先对齐指标：事件设计必须能回答具体业务问题，不为埋而埋
  4. 不写死代码：输出方案与伪代码，运行环境由调用方提供

边界：不联网核验外部实时数据，不部署或运行任何服务，不替代专业算法工程与数据治理结论。

产物

• 结构化方案或清单（可直接复用）
• 关键参数与默认值说明
• 使用边界与下一步动作提示

能力边界

不联网核验外部实时数据，不部署或运行任何服务，不替代专业算法工程与数据治理结论。