RAG（检索增强生成）

通用 RAG 方法论 Skill 集合（跨项目可迁移，与具体项目解耦）。每篇为「通用原则（适用于任何 RAG 项目）+ 落地建议（项目无关的参考命名 / 结构 / 参数）」。项目专属绑定由所在项目侧 .agents/rules/rag-*.md 提供（不在本 skill 内），本 skill 保持项目无关。论文依据：华为云 + 港中文的 iKnow 经验论文（ASE 2025，PDF 见 references）——对 2000 条真实云运维查询的实证发现 过半 RAG 失败源于查询侧（不完整 32% / 超范围 10% / 无效 9%），知识缺失 27% 是第二大根因并直接诱发幻觉。故标准 RAG 上应增加「查询理解与改写」「缺失知识检测」两层。

通用 RAG 生命周期（不依赖任何项目）

加载 loader → 摄取/分块 ingestion → 查询理解 query → 检索 retrieval → 重排 rerank → 生成 generation → 评估 evaluation
 (rag-loader)   (rag-ingestion)   (rag-query)   (rag-retrieval)  (rag-rerank)   (rag-generation)  (rag-evaluation)
        ↑ 多轮对话 rag-multi-turn（横切：每轮先做历史改写再进查询理解）
        ↑ GraphRAG rag-graphrag（进阶：跨文档/全局性问题时替代 chunk 级检索）

各环节投入优先级不同（论文实测）：查询理解与评估是性价比最高、最易被忽略的两环——前者修复 32% 的查询侧失败，后者让所有改进可验证；重排/GraphRAG/多轮属按需启用的进阶能力。

模块导航（遇到什么问题 → 读哪篇）

遇到的问题	模块	篇目
加载多格式文档（PDF/HTML/Office/图片）	rag-loader	references/rag-loader.md
分块 / 去重 / 批量嵌入 / 入库	rag-ingestion	references/rag-ingestion.md
检索前把模糊问题改写为语义完整问题	rag-query	references/rag-query.md
混合检索（dense + keyword + RRF 融合）	rag-retrieval	references/rag-retrieval.md
检索后精排（候选集大 / 专有名词多时）	rag-rerank	references/rag-rerank.md
防幻觉生成 + 溯源（prompt / 生成链路）	rag-generation	references/rag-generation.md
多轮对话（追问改写 / 历史压缩）	rag-multi-turn	references/rag-multi-turn.md
跨文档 / 全局性问题（图谱聚合）	rag-graphrag	references/rag-graphrag.md
验收 / 回归 / 评估指标	rag-evaluation	references/rag-evaluation.md
想了解论文原始数据 / 结论细节	论文笔记	references/iknow-paper-notes.md

论文经验 → 通用对策（为什么这么设计）

论文发现（iKnow，2000 条真实查询）	占比	通用对策
查询不完整（如只输入一个名词）	32%	检索前查询改写：LLM 按意图把模糊问题改写为语义完整的问题（rag-query）
知识缺失（知识库无对应内容 → 幻觉）	27%	缺失知识检测 + 降级回答：判断上下文是否足够，不足则明示"暂无相关信息"（rag-generation）
查询意图与失败强相关（术语解释类 58.8% 败于不完整）	—	意图分类：5 类意图，改写 prompt 按意图定制（rag-query）
检索不准确（相关文档不在 top-k）	11%	双通道混合检索 + RRF 融合：dense + keyword 互补（rag-retrieval）
生成不准确	11%	注入"原始问题 + 改写问题 + 上下文"三段 prompt，约束仅依据给定上下文回答（rag-generation）
超范围 / 无效查询	19%	意图分类识别无效 / 越界问题，路由到降级回答（rag-query）