Loading...
Loading...
共找到 351 个 Skills
使用结构化评估而非人工检视来迭代RAG系统。当用户正在调优RAG管道（修改检索提示词、更换模型、调整分块策略或调试质量不佳的回答），且需要一套低成本、带排名的实验方案，同时希望实现成本跟踪和针对技术栈的结构化反馈时，应使用此技能。此外，当用户询问“我如何知道我的RAG是否有效？”、“这个RAG评估太烧钱了”或“检索环节我接下来该尝试什么？”这类问题时，也可使用该技能。
为RAG/嵌入流水线将文本分割为上下文相关的块。根据需求选择窗口、TF-IDF、标点符号或混合策略进行文档分割和章节提取。
使用Polaris AI DataInsight Doc Extract API从Office文档（DOCX、PPTX、XLSX、HWP、HWPX）中提取结构化数据。当用户想要解析、分析或提取文档文件中的文本、表格、图表、图片或形状时，可使用本工具。只要用户提及从Word、PowerPoint、Excel、HWP或HWPX文件中提取内容、想要解析文档结构、需要转换文档数据用于RAG流水线，或者询问如何读取Office格式文档中的表格、图表或文本时，即使未明确提到“DataInsight”或“Polaris”，也可调用此技能。
使用LangGraph构建模块化Agentic RAG系统，具备分层索引、对话记忆和多智能体查询处理功能
Docling文档解析器，支持PDF、DOCX、PPTX、HTML、图片等15余种格式。适用于文档解析、文本提取、格式转换为Markdown/HTML/JSON、RAG流水线分块或批量处理文件等场景。核心触发组件包括DocumentConverter、convert、convert_all、export_to_markdown、HierarchicalChunker、HybridChunker、ConversionResult。
构建具备最佳实践的可用于生产环境的Tavily集成。为使用代码助手（Claude Code、Cursor等）在智能代理工作流、RAG系统或自主Agent中实现网页搜索、内容提取、爬取和研究功能的开发者提供参考文档。
针对检索和生成全阶段评估RAG（Retrieval-Augmented Generation，检索增强生成）流水线的质量。在检索阶段衡量精确率、召回率、MRR（平均倒数排名）；在生成阶段衡量事实一致性、完整性和幻觉率。诊断故障根本原因，并针对分块、检索和提示词提出优化建议。触发关键词："audit RAG"、"RAG quality"、"evaluate retrieval"、"hallucination detection"、"retrieval precision"、"why is RAG failing"、"RAG diagnosis"、"retrieval quality"、"RAG evaluation"、"chunk quality"、"RAG pipeline review"、"grounding check"。当需要诊断或评估RAG流水线质量时使用此技能。
使用声明式编程构建复杂AI系统，自动优化提示词，借助DSPy（斯坦福NLP推出的大语言模型系统化编程框架）创建模块化RAG系统和Agent
使用Exa.ai构建支持实时网页检索的RAG管道。适用于构建检索增强生成（RAG）、将Exa与LangChain、LlamaIndex、Vercel AI SDK集成，或实现具备网页搜索功能的AI Agent场景。触发场景包括：RAG管道、检索增强生成、Exa LangChain集成、Exa LlamaIndex集成、ExaSearchRetriever、ExaSearchResults、Exa MCP、Exa工具调用、Claude工具使用、AI Agent网页搜索、基于事实的生成、引用生成、事实核查、幻觉检测、OpenAI兼容性、聊天补全。
为语义搜索和RAG应用选择并优化嵌入模型。适用于选择嵌入模型、实现分块策略或针对特定领域优化嵌入质量的场景。
擅长将多来源信息进行聚合、处理并合成为连贯的洞察。适用于构建知识图谱、本体、RAG系统，或是跨文档提取洞察的场景。触发词包括"knowledge graph"、"ontology"、"synthesize information"、"GraphRAG"、"insight extraction"、"cross-document analysis"。
通过Together AI实现的密集向量嵌入、语义搜索、RAG管道与重排序能力。可使用开源模型生成embeddings，并通过专用端点对结果重排序。当用户需要向量表示或提升检索质量，而非直接生成文本时，即可使用本skill。