| name | adaptive-rag-engine |
| version | 1.0.0 |
| description | Adaptive RAG 引擎 — 从线性检索到自主认知循环。集成胶囊预筛选、智能路由、CRAG纠错、L3校验。当需要搜索记忆/检索信息/回答复杂问题时触发。关键词:RAG、检索、记忆搜索、向量检索、Agentic RAG、CRAG。 |
| metadata | {"requires":{"bins":["python3"]}} |
🧠 Adaptive RAG Engine v1.0
不是管道,是认知循环。
核心能力
| 能力 | 说明 | 触发方式 |
|---|
| Adaptive Router | 判断是否需要检索,简单问题直接答 | 自动(每次 memory_search 前) |
| Capsule Pre-filter | 42个胶囊标题预匹配,缩小范围 90% | 自动(Router 通过后) |
| Vector Search | bge-m3 向量检索 Top-20 | memory_search 工具 |
| LLM Re-rank | 语义重排序 Top-20 → Top-5 | 检索后自动 |
| CRAG Evaluator | 质量评估 + 低分补搜 | 检索后自动 |
| L3 Gatekeeper | 输出前与核心洞察校验 | 生成前自动 |
| Memory Bridge | Active Memory ↔ Phoenix 双向桥接 | 对话结束时 |
使用流程
对于 CEO(小鸟文书)
此 Skill 是协议层,不需要显式调用。它通过以下方式生效:
- 读取协议文件:
rules/adaptive-rag-protocol.md — 获取完整决策树
- 读取胶囊索引:
memory/topics/.capsule-index.json — 获取 42 个胶囊元数据
- 按决策树执行: 每次需要记忆时,走 Router → Pre-filter → Search → Rank → CRAG → Generate → Verify
对于 SubAgent
SubAgent 在执行任务时:
- 先判断任务类型 → 决定是否需要检索
- 需要检索时 → 先做胶囊预筛选
- 检索结果 → 自行判断质量(CRAG 思维)
- 输出前 → 自检是否与已知信息矛盾
关键文件
| 文件 | 用途 |
|---|
rules/adaptive-rag-protocol.md | 完整协议(决策树/分类/bridge/CRAG/L3) |
memory/topics/.capsule-index.json | 42个胶囊的结构化索引 |
scripts/build-capsule-index.py | 重建胶囊索引脚本 |
scripts/rag-evaluate.py | CRAG 质量评估脚本 |
快速命令
python3 ~/.openclaw/workspace/skills/adaptive-rag-engine/scripts/build-capsule-index.py
python3 ~/.openclaw/workspace/skills/adaptive-rag-engine/scripts/rag-evaluate.py --query "xxx" --results "result1, result2"
与其他 Skill 的关系
- dynamic-rag-capsule — Context 管理层面的胶囊化(对话太长时压缩)
- phoenix-memory — 记忆存储和衰减管理(四层架构)
- 本 Skill — 检索策略和质量控制(怎么搜、搜到后怎么办)
三者关系:phoenix-memory 是仓库,dynamic-rag-capsule 是打包器,adaptive-rag-engine 是导航仪