传统RAG已经落伍了?清华大神开源的这个 rag-skill,让知识库检索直接升维
被向量检索毒打过的人,才会真正理解这个东西的价值。
一、先聊聊你被传统 RAG 坑过没有
做过知识库问答系统的人,大概都有过这样的崩溃时刻——
你辛辛苦苦把几百份文档切成几千个 Chunk,跑 Embedding 向量化,存进 Milvus 或者 Chroma,以为大功告成。结果一上线,用户问了一个稍微绕一点的问题,AI 给出的答案要么文不对题,要么把不相关的段落硬凑在一起,要么直接幻觉。
问题出在哪?
出在"Chunk + Embedding"这个模式的根本局限上:
• 语义切割失真:一个段落强行被截断,上下文完全丢失,向量表示也就失真了 • 检索即终局:检索一次不行就没有第二次,不会回头反思 • 静态流水线:不管问题简单还是复杂,一套流程走到底,没有自适应能力 • 长上下文淹没:一口气把所有 Chunk 都塞给 LLM,重要信息被稀释
就是这个背景下,一个新思路开始在 AI 圈流行起来:用 Agent Skills 做知识库检索。
二、什么是 rag-skill?来自 code秘密花园 的开源方案
rag-skill 是由知名 AI 博主 ConardLi(code秘密花园)开源的一个 Agent Skill,专门用于本地知识库检索。
项目地址:https://github.com/ConardLi/rag-skill
它的核心思想颠覆了传统 RAG 的逻辑:
不再"切片-向量化-检索一步到位",而是让 AI 像一个有经验的研究员一样,先看目录,再按需深入,不满意就迭代,直到找到真正有价值的信息。
这个 Skill 的核心特性如下:
三、它和传统 RAG 到底有什么本质区别?
用一个比喻就能说清楚:
传统 RAG 像是开卷考试的学生——随机翻到哪页抄哪页,翻不到就开始编。
rag-skill 像是一个专业研究员——先看目录,制定检索计划,用不同策略找信息,找不够就换关键词反复搜,收集到足够证据才开始回答。
从技术层面看,区别在这几个地方:
1. 从"一次检索"到"多轮迭代"
rag-skill 内置了最多 5 轮的智能检索机制。第一轮找不准?换个关键词、换个思路再来一轮,直到找到足够相关的内容。这就是为什么它在复杂问题上显著优于传统 RAG。
2. 从"全文加载"到"渐进式披露"
传统 RAG 的索引是平铺的,找到 Chunk 就全部丢给 LLM。rag-skill 则通过分层索引(先读目录,再读章节摘要,再读具体段落),大幅减少了无效 token 的消耗。
3. 从"静态流水线"到"动态认知循环"
rag-skill 的检索行为由 LLM 驱动,能根据上一轮检索结果动态调整下一轮策略。这是从"脚本"到"智能体"的本质升级。
四、文件结构长什么样?
在使用之前,先搞清楚 rag-skill 的目录结构:
skilltest/
├── .agent/
│ └── skills/
│ ├── rag-skill/ # 核心知识库检索 Skill
│ │ ├── SKILL.md # Skill 主文件(约13KB)
│ │ └── references/ # 参考文档
│ │ ├── pdf_reading.md # PDF 处理方法指南
│ │ ├── excel_reading.md # Excel 读取方法
│ │ └── excel_analysis.md # Excel 分析方法
│ └── skill-creator/ # Skill 创建指南(可选)
│
└── knowledge/ # 你的知识库目录
├── data_structure.md # 根目录索引(关键!)
├── AI Knowledge/
│ ├── data_structure.md # 子目录索引
│ └── *.pdf # 具体文档
└── ...关键点:data_structure.md 是整个系统的导航地图。 每一层目录下都应该有一个这样的索引文件,告诉 Agent 这个目录里有什么内容、用来解决什么问题。没有它,rag-skill 就失去了"先看目录"的能力,退化成普通搜索。
五、手把手使用教程
方式一:通过 npx skills CLI 安装(推荐)
这是最快的方式,一行命令搞定:
# 安装 rag-skill(最新版)
npx skills add ConardLi/rag-skill
# 或者通过 garden-skills 集合安装
npx skills add Cona…