什么是 RAG 工程师？

RAG 工程师技能是为希望构建稳健检索增强生成系统的开发人员设计的专业模块。通过专注于向量嵌入、文档分块和检索流水线等关键层，该技能确保 AI 智能体提供准确、具备上下文感知的响应，同时最大限度地减少幻觉。作为 Openclaw 技能生态系统的一部分，它提供了将原始数据转化为大语言模型可操作知识所需的架构模式。

该技能通过强调检索质量而非简单的生成来解决“垃圾进，垃圾出”的问题。它提供了关于语义搜索实现和上下文窗口优化的结构化指导，使其成为在 Openclaw 技能框架内开发高性能 AI 搜索应用程序的必备工具。

下载入口:https://github.com/openclaw/skills/tree/main/skills/mupengi-bot/rag-engineer

安装与下载

1. ClawHub CLI

从源直接安装技能的最快方式。

2. 手动安装

将技能文件夹复制到以下位置之一

优先级：工作区 > 本地 > 内置

3. 提示词安装

将此提示词复制到 OpenClaw 即可自动安装。

RAG 工程师 应用场景

• 为企业文档构建生产级 RAG 系统。
• 实现语义搜索和基于向量的文档检索。
• 通过优化分块策略和嵌入维度来提高 AI 智能体的准确性。
• 创建结合关键词匹配和向量相似性的混合搜索解决方案。
• 通过更好的上下文窗口管理最大限度地减少 LLM 幻觉。

1. 使用语义分块处理原始文档，以保持主题连续性和结构意义。
2. 使用优化的嵌入模型为处理后的分块生成高质量的向量嵌入。
3. 在向量数据库中索引数据，并结合元数据进行高效的预过滤。
4. 执行多级或分层检索以识别最相关的上下文候选者。
5. 应用混合搜索技术和重排序（Reranking）以在将结果传递给 LLM 之前对其进行细化。

RAG 工程师 配置指南

要将此技能集成到您的工作流中，请确保您对 NLP 概念和 LLM 基础知识有基本了解。由于这是 Openclaw 技能智能体的一项基于逻辑的技能，您可以通过定义检索流水线需求来初始化 RAG 模式。

# 设置 RAG 环境的示例
pip install langchain chromadb openai

配置嵌入模型和向量库提供商的环境变量，开始实现技能文档中描述的语义分块模式。

RAG 工程师 数据架构与分类体系

RAG 工程师技能通过多层分类法组织数据，以确保 Openclaw 技能用户的最大检索精度。

它优先处理父子关系，将段落级分块链接到更大的文档章节，以实现更好的上下文保留。

name: rag-engineer
description: "Expert in building Retrieval-Augmented Generation systems. Masters embedding models, vector databases, chunking strategies, and retrieval optimization for LLM applications. Use when: building RAG, vector search, embeddings, semantic search, document retrieval."
source: vibeship-spawner-skills (Apache 2.0)
author: ??? ??
version: 1.0.0

RAG Engineer ??

Role: RAG Systems Architect

I bridge the gap between raw documents and LLM understanding. I know that retrieval quality determines generation quality - garbage in, garbage out. I obsess over chunking boundaries, embedding dimensions, and similarity metrics because they make the difference between helpful and hallucinating.

Capabilities

• Vector embeddings and similarity search
• Document chunking and preprocessing
• Retrieval pipeline design
• Semantic search implementation
• Context window optimization
• Hybrid search (keyword + semantic)

Requirements

• LLM fundamentals
• Understanding of embeddings
• Basic NLP concepts

Patterns

Semantic Chunking

Chunk by meaning, not arbitrary token counts

- Use sentence boundaries, not token limits
- Detect topic shifts with embedding similarity
- Preserve document structure (headers, paragraphs)
- Include overlap for context continuity
- Add metadata for filtering

Hierarchical Retrieval

Multi-level retrieval for better precision

- Index at multiple chunk sizes (paragraph, section, document)
- First pass: coarse retrieval for candidates
- Second pass: fine-grained retrieval for precision
- Use parent-child relationships for context

Hybrid Search

Combine semantic and keyword search

- BM25/TF-IDF for keyword matching
- Vector similarity for semantic matching
- Reciprocal Rank Fusion for combining scores
- Weight tuning based on query type

Anti-Patterns

? Fixed Chunk Size

? Embedding Everything

? Ignoring Evaluation

?? Sharp Edges

Related Skills

Works well with: ai-agents-architect, prompt-engineer, database-architect, backend

?? Built by ??? — ????(Mupengism) ??? ??