Loading...
Loading...
共找到 5 个 Skills
使用网页搜索与LLM构建RAG（Retrieval Augmented Generation，检索增强生成）管道。工具包括：Tavily Search、Exa Search、Exa Answer，以及通过OpenRouter调用的Claude、GPT-4、Gemini。核心能力：调研、事实核查、基于事实的响应、知识检索。适用场景：AI Agent、调研助手、事实核查工具、知识库。相关触发词：rag、retrieval augmented generation、grounded ai、搜索与回答、调研Agent、事实核查、知识检索、AI调研、搜索+LLM、基于网页的AI、Perplexity替代方案、带来源的AI、引用、调研管道
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。
一款用于构建由LLM驱动、集成Agents、Chains和RAG的应用程序框架。支持多个提供商（OpenAI、Anthropic、Google）、500+种集成、ReAct智能体、工具调用、内存管理以及向量存储检索功能。可用于构建聊天机器人、问答系统、自主智能体或RAG应用程序，非常适合快速原型开发和生产部署。
为基于文档的AI助手设计检索增强生成（RAG）管道。涵盖分块策略、元数据schema、检索算法、重排序以及评估方案。适用于构建「RAG系统」「文档检索」「语义搜索」或「知识库」场景。
当用户要求“构建RAG管道”、“创建检索增强生成（RAG）系统”、“在DSPy中使用ColBERTv2”、“在DSPy中设置检索器”，提及“基于DSPy的RAG”、“上下文检索”、“多跳RAG”，或者需要构建一个DSPy系统来检索外部知识，从而生成有依据的事实性回答时，应使用本Skill。