使用 Agent Skills 做知识库检索,能比传统 RAG 效果更好吗?
使用 Agent Skills 做知识库检索,是一种什么体验?
它能比传统的分块+向量匹配的 RAG 效果更好吗?
大家好,欢迎来到 code秘密花园,我是花园老师,这一期我们进入 Agent Skills 的实战章节。
基础回顾
我们上期视频介绍了 Skills 的工作原理和使用方法,我们简单回顾一下:
Skills 是最近 Anthropic 推出的一个 Agent 领域的行业标准,它本身就是一个文件夹,里面存放着具体的使用说明(SKILL.md),更详细的参考文档(reference),以及可执行脚本(script)。
它的核心特性就是渐进式加载策略:
在 Agent 启动时,仅将所有 Skills 的基本描述加入 AI 的上下文 当用户发出需求时,AI 会根据 Skill 的描述判断具体要调用哪个 Skill 决定后再去读取这个 Skill 的使用说明(SKILL.md) 然后再根据使用说明进一步读取更详细的参考文档,以及决定是否执行某个脚本来连接外部世界
通过这样的模式,可以让 Agent 既能节省大量的上下文,又能够精准响应用户需求找到并执行某个技能。
Skills 的使用也非常简单,你只需要把它的文件夹放到特定 Agent 的目录下(如 .claude/skills),AI 就会在下次启动时识别到这个 Skill,并根据用户需求判断是否调用。
下面,我们来实战探索一下,Skill 有哪些有意思的玩法。
熟悉我的粉丝都知道,我本人对传统的通过 Chunk + Embedding 这种实现 RAG 的模式有比较大的偏见。
虽然这种模式最终也能调教出比较好的结果,但调优过程实在是太痛苦了,我是真正经历过毒打的才会有这种感觉。
相信很多同学也感同身受,所以我一直感觉这种方案只是当下的一种妥协模式,终究会被时代淘汰的。
最近 LlamaIndex 创始人 Jerry Liu 发表的 Twitter 刚好比较符合我的观点:
RAG / 检索本身没死,但死的是固定 Chunk + Embedding 那套模式。如果 Agent 可以动态地扩展文件周围的上下文,那么过度考虑数据块大小就没有意义了。
预期目标
想象 Agent Skills 的渐进式批漏策略,是不是有点这个意思呢。
所以,我们考虑用 Skills 的设计模式,来实现一个专用于知识检索的 Skill,我期望它能帮我解决下面的问题:
在指定目录里检索你关心的问题:比如:「从公司内部知识库里找出最近三年的销售趋势结论」「从某个项目资料里找出所有性能优化建议」。 跨多种文件格式联合查询:能根据文件类型选择合适的方式来读取和理解,比如 Markdown、PDF、Excel 等,不需要你操心「这份资料是什么格式」。 避免「暴力打开整库」:不能一上来就把所有文件全部读进来,而是像人一样:先按关键词缩小范围,再精准打开少量相关文件,快速定位答案。 按问题来组织结果:不能简单地给你一堆「命中行」,而是结合上下文,把和问题相关的内容拼在一起,尽量给出一条可读的、成段的回答。 在复杂问题上做多轮查找:比如你问的是「对某个政策的关键影响」,它可能先在目录里锁定几份核心 PDF,再在这些 PDF 里按章节检索,再结合结果总结回答。
效果演示
下面,我们先来演示下效果,我们先创建一个示例知识库,其中包含下面这些数据:
知识库包含四个不同领域的知识,包含 markdown、pdf、excel 等多种文件类型:
Financial Report Data:金融与上市公司财报类数据,主要是按公司和季度划分的 PDF 报告。 E-commerce Data:电商业务相关的数据文件,如员工、客户、库存和订单等结构化数据。 Safety Knowledge:安全相关知识与文档,涵盖常见 Web 安全漏洞及防护方案。 AI Knowledge:AI 行业与技术相关报告与研究资料,用于检索 AI 技术发展、应用场景及治理趋势。
我们先问一个金融领域具体的数据问题:
检索知识库:三一重工前三大股东?
这个数据存储在三一重工的 Q3 财报内:
检索结果如下,因为首次需要定位文件、转换 PDF 文件,耗时还是比较长的,但是检索到的信息非常准确, 大家在实际使用的时候…