openeuler/skills系统技能详解RAG技术在智能代理中的应用实践【免费下载链接】skillsWith the rapid advancement of AI, standard protocols for AI agents—such as MCP and Skill—are continuously emerging. This repository is established to accommodate current and future AI agent protocols and their associated tools, providing users with generation, testing, and optimization scripts to facilitate agent development and improve agent usability.项目地址: https://gitcode.com/openeuler/skills前往项目官网免费下载https://ar.openeuler.org/ar/openEuler/skills是一个专注于AI代理协议与工具的开源项目通过提供生成、测试和优化脚本帮助开发者构建更易用的智能代理。其中RAG检索增强生成技术作为核心系统技能为智能代理提供了强大的知识管理与检索能力让AI能够高效利用外部文档进行精准回答。什么是RAG技术为什么智能代理需要它 RAGRetrieval-Augmented Generation即检索增强生成技术是将信息检索与生成式AI相结合的智能方法。它解决了传统大语言模型存在的知识滞后和幻觉生成问题通过以下方式提升智能代理能力知识实时更新无需重新训练模型通过导入新文档即可扩展AI知识库回答精准溯源所有回答都基于可验证的文档内容降低虚构信息风险专业领域适配轻松构建垂直领域知识库满足特定场景需求在openEuler/skills项目中RAG技术被封装为系统级技能通过MCP多智能体协作协议工具提供标准化的知识管理能力。RAG技能核心组件与工作流程 三大核心工具openEuler/skills的RAG系统提供三个关键工具形成完整知识管理闭环工具主要功能Knowledge_base_manager创建与管理知识基地支持列表查询和新建操作document_manager导入各类文档TXT/DOCX/PDF自动处理为检索可用的文本块search执行混合检索FTS5关键词sqlite-vec向量返回精准匹配结果标准检索流程使用RAG技能的标准检索流程分为四步识别知识库调用Knowledge_base_manager(actionlist)获取可用知识库选择目标库根据用户查询主题自动推断或列出所有知识库供选择执行检索调用search工具传入查询和知识库名称优化结果若结果不理想可调整keyword_weight或设置banned_chunk_ids重新检索文档导入流程扩展知识库的文档导入流程确认知识库先调用Knowledge_base_manager(actionlist)检查目标库是否存在创建知识库若不存在使用Knowledge_base_manager(actionadd, kb_name, chunk_size)创建导入文档通过document_manager(actionadd, file_paths, kb_name)导入文件RAG检索参数优化策略 要获得最佳检索效果需要合理配置检索参数。openEuler/skills的RAG系统提供了灵活的参数调整机制top_k默认返回5条结果需要更多上下文时可适当增大keyword_weight0-1之间关键词明确或需要精确匹配时提高权重0.5-0.7语义理解或概念查询时降低权重0.1-0.3默认值为0.3平衡关键词与向量检索banned_chunk_ids首次检索结果不佳时可将无关文本块ID加入此参数排除干扰检索优化技巧遇到检索问题时的实用优化方法无结果或结果无关重写查询更具体或更通用、添加同义词或拆分问题部分结果质量差将低质量文本块ID加入banned_chunk_ids调整keyword_weight后重试需要GitHub信息设置onlinetrue并调整online_top_k参数本地化部署与使用指南 当MCP服务不可用时openEuler/skills提供了本地化脚本运行方案。通过system-skills/rag/scripts/rag.py可直接操作RAG功能环境准备首先安装依赖pip install -r system-skills/rag/scripts/requirements.txt复制配置文件模板并修改cp system-skills/rag/scripts/rag/config.toml.example system-skills/rag/scripts/rag/config.toml常用命令示例列出知识库python system-skills/rag/scripts/rag.py list [--keyword 关键词]创建知识库python system-skills/rag/scripts/rag.py create --kb_name 项目文档库 --chunk_size 512导入文档python system-skills/rag/scripts/rag.py import --file_paths /path/to/document.pdf --kb_name 项目文档库执行检索python system-skills/rag/scripts/rag.py search --query 如何配置嵌入模型 --kb_names 项目文档库高级配置嵌入模型与向量存储 ⚙️openEuler/skills的RAG系统支持多种嵌入模型和灵活的向量存储配置可通过system-skills/rag/scripts/rag/common/config.py文件进行深度定制嵌入模型类型支持OpenAI、本地模型等多种类型向量维度默认1024维可根据模型特性调整超时设置默认30秒可根据网络状况调整关键配置参数embedding: { type: openai, # 嵌入模型类型 model_name: text-embedding-v4, # 模型名称 vector_dimension: 1024, # 向量维度 timeout: 30 # 超时时间 }实际应用案例智能代理如何利用RAG回答问题 假设用户询问如何在openEuler/skills中创建知识库启用RAG技能的智能代理会执行以下步骤调用Knowledge_base_manager(actionlist)检查可用知识库选择包含项目文档的知识库如openeuler_skills_docs执行检索search(query创建知识库, kb_names[openeuler_skills_docs], top_k3)获取相关文档片段后生成自然语言回答并附上来源工具调用示例# 创建知识库 Knowledge_base_manager(actionadd, kb_nameProjectDocs, chunk_size512) # 导入文档 document_manager(actionadd, file_paths[/path/to/docs.pdf], kb_nameProjectDocs) # 执行搜索 search(query如何配置嵌入模型, kb_names[ProjectDocs], top_k5, keyword_weight0.3)总结RAG技术赋能智能代理的价值 openEuler/skills项目中的RAG系统技能通过标准化的知识管理工具链为AI代理提供了强大的文档检索与知识应用能力。无论是通过MCP协议集成到智能工作流还是直接运行本地脚本开发者都能轻松构建具备专业知识的智能代理。通过灵活的参数配置和优化策略RAG技术有效提升了AI回答的准确性和可靠性为开源项目开发、技术支持、文档理解等场景提供了高效解决方案。要开始使用RAG技能只需克隆项目仓库git clone https://gitcode.com/openeuler/skills详细参数和返回结构请参考system-skills/rag/reference.md。【免费下载链接】skillsWith the rapid advancement of AI, standard protocols for AI agents—such as MCP and Skill—are continuously emerging. This repository is established to accommodate current and future AI agent protocols and their associated tools, providing users with generation, testing, and optimization scripts to facilitate agent development and improve agent usability.项目地址: https://gitcode.com/openeuler/skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考