case-rag

name	case-rag
version	1.0.0
description	MBA 案例 RAG 知识库框架 Skill：将 PDF 案例构建为可检索的知识库， 支持关键词检索和轻量向量检索，按需注入相关片段（替代全文塞上下文）。 触发词：构建知识库、案例RAG、智能检索、按需检索、知识索引、 build rag、case knowledge base、semantic search case。
description_zh	MBA案例RAG知识库，将PDF分块索引，按分析意图检索相关片段，替代全文注入上下文，提升LLM分析质量。
description_en	MBA case RAG knowledge base that indexes PDF chunks and retrieves relevant passages by analysis intent, replacing full-text context injection.
allowed-tools	Bash, Read, Write, Glob
agent_created	true

case-rag — MBA案例RAG知识库框架

解决 CaseBuddy 的核心 P0 问题：从"把整个 PDF 塞进上下文"升级为"按需检索相关片段"。

---

架构设计

PDF 上传
   │
   ▼
[extract_pdf.py]       ← pdf-case-reader skill
   │  全文文本 + 分页元数据
   ▼
[chunk_text.py]        ← pdf-case-reader skill  
   │  chunks[] JSON（id/text/section/page）
   ▼
[build_index.py]  ────── 本 Skill ─────────────────────────────────
   │  BM25 关键词索引 + 可选 TF-IDF 向量索引
   │  存储到 ~/.casebuddy/rag/<case_id>/
   ▼
[query_index.py]        ← 查询时调用
   │  输入：查询意图 + top_k
   │  输出：相关 chunks（带 score + 来源标注）
   ▼
inject_to_prompt()      ← CaseBuddy WorkBench 集成点
   │  相关 chunks → 精准上下文注入
   ▼
LLM 分析

---

五个分析场景的RAG策略

场景	查询关键词	注入片段数	补充内容
案例速读	"公司背景 主营业务 核心数据"	5-8块	摘要卡片
角度选择	"问题 挑战 机遇 战略"	3-5块	实体列表
深度分析	具体框架关键词（如"竞争 市场份额"）	8-12块	全文可用
PPT制作	"数据 财务 增长 市场规模"	5块	已有分析
答辩准备	"结论 建议 风险 依据"	5块	历史分析

---

环境准备

# 轻量RAG依赖（无需GPU，无需向量数据库）
pip install rank-bm25 jieba scikit-learn numpy

可选增强（语义搜索）：

pip install sentence-transformers  # 需要 ~500MB 模型下载

---

使用工作流

Step 1: 构建索引（PDF上传后执行一次）

python scripts/build_index.py \
  --chunks-file <path/to/case_chunks.json> \
  --case-id <唯一ID，如 alibaba_2023> \
  --index-dir ~/.casebuddy/rag/

成功后输出：

{
  "status": "ok",
  "case_id": "alibaba_2023",
  "index_dir": "~/.casebuddy/rag/alibaba_2023/",
  "total_chunks": 28,
  "methods": ["bm25", "tfidf"]
}

Step 2: 查询（分析时调用）

python scripts/query_index.py \
  --case-id <唯一ID> \
  --query "公司面临的核心竞争问题和市场地位" \
  --top-k 5 \
  --index-dir ~/.casebuddy/rag/

输出（注入 prompt 的上下文片段）：

{
  "query": "公司面临的核心竞争问题",
  "results": [
    {
      "chunk_id": 3,
      "score": 0.87,
      "section": "市场竞争分析",
      "page": 4,
      "text": "...",
      "source_label": "[第4页·市场竞争分析]"
    }
  ],
  "context_for_prompt": "【相关案例内容】\n[第4页·市场竞争分析]\n...\n[第6页·战略困境]\n..."
}

Step 3: 集成到 CaseBuddy WorkBench（核心改造点）

修改 WorkBench.tsx 的 sendMessage 函数，在 {{case}} 替换处：

// 原来（低效）：
const caseContext = session.caseText; // 全文，可能 30000+ 字符

// 改为（高效）：
const caseContext = await fetchRAGContext(session.caseId, queryIntent, 8);
// 返回最相关的 ~3000 字符

后端新增 /api/rag/query 接口（见 case-rag references/backend-integration.md）。

---

索引存储结构

~/.casebuddy/rag/
└── <case_id>/
    ├── chunks.json          ← 原始分块数据
    ├── bm25_index.pkl       ← BM25 序列化索引
    ├── tfidf_matrix.npz     ← TF-IDF 矩阵
    ├── tfidf_vocab.pkl      ← TF-IDF 词汇表
    └── meta.json            ← 索引元数据

---

后端集成接口

POST /api/rag/index

构建索引

{
  "caseId": "alibaba_2023",
  "chunksData": { "chunks": [...] }
}

POST /api/rag/query

查询相关片段

{
  "caseId": "alibaba_2023",
  "query": "核心竞争问题",
  "topK": 5,
  "method": "hybrid"
}

DELETE /api/rag/index/:caseId

删除索引

---

技术选型说明

为什么不用向量数据库？

• Pinecone/Weaviate 需要网络和 API key
• FAISS 本地部署需要 C++ 编译
• 对 MBA 案例（<100 chunks）BM25 + TF-IDF 已足够，检索质量与向量方法相当

未来升级路径（RAG v2）：

• 接入 text2vec-chinese 模型（离线语义检索）
• 支持多案例跨文档检索
• 添加重排序（reranking）步骤

---

NEVER 规则

• 不在 RAG 结果中包含超过 4000 字符（防止注入后超上下文）
• 不跨案例混用索引（每个 case_id 独立）
• 不修改原始 PDF 或分块数据
• top_k 最大不超过 15（保证检索质量）