菜单
Build Retrieval Augmented Generation (RAG) systems with LangChain - includes embeddings, vector stores, retrievers, document loaders, and text splitting
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/evanfang0054/cc-system-creator-scripts --skill langchain-rag命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
基于 SOC 职业分类
正在显示 SKILL.md
| name | langchain-rag |
| description | Build Retrieval Augmented Generation (RAG) systems with LangChain - includes embeddings, vector stores, retrievers, document loaders, and text splitting |
| language | js |
检索增强生成（RAG）通过从外部知识源获取相关上下文来增强 LLM 响应。RAG 系统在查询时检索文档并使用它们来生成响应，而不是仅依赖训练数据。
核心概念：
| 存储 | 何时使用 | 原因 |
|---|---|---|
| MemoryVectorStore | 开发、测试 | 内存中、快速、临时 |
| Chroma | 本地生产环境 | 持久化、开源 |
| Pinecone | 云端、可扩展 | 托管、快速、可扩展 |
| Faiss | 高性能 | 快速相似性搜索 |
| 模型 | 何时使用 | 维度 |
|---|---|---|
| text-embedding-3-small | 成本效益 |
| 1536 |
| text-embedding-3-large | 最佳质量 | 3072 |
| text-embedding-ada-002 | 旧版 | 1536 |
import { ChatOpenAI, OpenAIEmbeddings } from "@langchain/openai";
import { MemoryVectorStore } from "@langchain/classic/vectorstores/memory";
import { RecursiveCharacterTextSplitter } from "@langchain/textsplitters";
// 1. 加载文档（示例：内存中文本）
const docs = [
{ pageContent: "LangChain 是一个用于构建 LLM 应用程序的框架。", metadata: {} },
{ pageContent: "RAG 代表检索增强生成。", metadata: {} },
];
// 2. 分割文档
const splitter = new RecursiveCharacterTextSplitter({
chunkSize: 500,
chunkOverlap: 50,
});
const splits = await splitter.splitDocuments(docs);
// 3. 创建嵌入并存储
const embeddings = new OpenAIEmbeddings({
model: "text-embedding-3-small",
});
const vectorStore = await MemoryVectorStore.fromDocuments(splits, embeddings);
// 4. 创建检索器
const retriever = vectorStore.asRetriever(4); // 前 4 个结果
// 5. 在 RAG 中使用
const model = new ChatOpenAI({ model: "gpt-4.1" });
const query = "什么是 RAG？";
const relevantDocs = await retriever.invoke(query);
const context = relevantDocs.map(doc => doc.pageContent).join("\n\n");
const response = await model.invoke([
{ role: "system", content: `使用以下上下文回答问题：\n\n${context}` },
{ role: "user", content: query },
]);
console.log(response.content);
import { CheerioWebBaseLoader } from "@langchain/community/document_loaders/web/cheerio";
const loader = new CheerioWebBaseLoader(
"https://docs.langchain.com/oss/javascript/langchain/agents"
);
const docs = await loader.load();
console.log(`已加载 ${docs.length} 个文档`);
import { PDFLoader } from "@langchain/community/document_loaders/fs/pdf";
const loader = new PDFLoader("./document.pdf");
const docs = await loader.load();
import { RecursiveCharacterTextSplitter } from "@langchain/textsplitters";
const splitter = new RecursiveCharacterTextSplitter({
chunkSize: 1000, // 每个块的字符数
chunkOverlap: 200, // 上下文连续性的重叠
separators: ["\n\n", "\n", " ", ""], // 分割层次结构
});
const splits = await splitter.splitDocuments(docs);
import { Chroma } from "@langchain/community/vectorstores/chroma";
import { OpenAIEmbeddings } from "@langchain/openai";
const embeddings = new OpenAIEmbeddings();
// 创建并填充
const vectorStore = await Chroma.fromDocuments(
splits,
embeddings,
{ collectionName: "my-docs" }
);
// 后续：加载现有的
const vectorStore2 = await Chroma.fromExistingCollection(
embeddings,
{ collectionName: "my-docs" }
);
// 带分数的相似性搜索
const results = await vectorStore.similaritySearchWithScore(query, 5);
for (const [doc, score] of results) {
console.log(`分数：${score}, 内容：${doc.pageContent}`);
}
// MMR（最大边际相关性）以增加多样性
const retriever = vectorStore.asRetriever({
searchType: "mmr",
searchKwargs: { fetchK: 20, lambda: 0.5 },
k: 5,
});
// 在创建文档时添加元数据
const docs = [
{
pageContent: "Python 编程指南",
metadata: { language: "python", topic: "programming" }
},
{
pageContent: "JavaScript 教程",
metadata: { language: "javascript", topic: "programming" }
},
];
// 使用过滤器搜索
const results = await vectorStore.similaritySearch(
"programming",
5,
{ language: "python" } // 仅 Python 文档
);
import { createAgent } from "langchain";
import { tool } from "langchain";
import { z } from "zod";
const searchDocs = tool(
async ({ query }) => {
const docs = await retriever.invoke(query);
return docs.map(d => d.pageContent).join("\n\n");
},
{
name: "search_docs",
description: "搜索文档以获取相关信息",
schema: z.object({
query: z.string().describe("搜索查询"),
}),
}
);
const agent = createAgent({
model: "gpt-4.1",
tools: [searchDocs],
});
const result = await agent.invoke({
messages: [{ role: "user", content: "如何创建代理？" }],
});
// 结合关键词和向量搜索
import { similarity } from "ml-distance";
async function hybridSearch(query: string, k: number = 5) {
// 向量搜索
const vectorResults = await vectorStore.similaritySearch(query, k);
// 关键词搜索（简单示例）
const allDocs = await vectorStore.getAllDocuments();
const keywordResults = allDocs.filter(doc =>
doc.pageContent.toLowerCase().includes(query.toLowerCase())
);
// 结合和去重
const combined = [...vectorResults, ...keywordResults];
const unique = Array.from(new Set(combined.map(d => d.pageContent)))
.map(content => combined.find(d => d.pageContent === content));
return unique.slice(0, k);
}
✅ 块大小/重叠：控制文档分割 ✅ 嵌入模型：选择质量与成本 ✅ 结果数量：Top-k 检索 ✅ 元数据过滤器：按文档属性过滤 ✅ 搜索算法：相似性、MMR、混合
❌ 嵌入维度（每个模型）：由模型固定 ❌ 完美的检索：语义搜索有局限性 ❌ 实时文档更新：需要重新索引
// ❌ 问题：整个文档太大
await vectorStore.addDocuments(largeDocs); // 可能达到 token 限制
// ✅ 解决方案：始终先分割
const splits = await splitter.splitDocuments(largeDocs);
await vectorStore.addDocuments(splits);
// ❌ 问题：太小 - 失去上下文
const splitter = new RecursiveCharacterTextSplitter({ chunkSize: 50 });
// ❌ 问题：太大 - 达到限制
const splitter = new RecursiveCharacterTextSplitter({ chunkSize: 10000 });
// ✅ 解决方案：平衡（500-1500 通常很好）
const splitter = new RecursiveCharacterTextSplitter({
chunkSize: 1000,
chunkOverlap: 200,
});
// ❌ 问题：没有重叠 - 上下文在边界处中断
const splitter = new RecursiveCharacterTextSplitter({
chunkSize: 1000,
chunkOverlap: 0, // 不好！
});
// ✅ 解决方案：使用重叠（块大小的 10-20%）
const splitter = new RecursiveCharacterTextSplitter({
chunkSize: 1000,
chunkOverlap: 200, // 20%
});
// ❌ 问题：在生产环境中使用 MemoryVectorStore
const vectorStore = await MemoryVectorStore.fromDocuments(docs, embeddings);
// 重启后丢失！
// ✅ 解决方案：使用持久化存储
const vectorStore = await Chroma.fromDocuments(
docs,
embeddings,
{ collectionName: "prod-docs" }
);
Mac 系统深度清理和优化工具。使用 Mole (mo 命令) 执行系统清理、磁盘分析、应用卸载、系统优化等任务。 触发场景（当用户提到以下任一内容时使用此 skill）： - 清理 Mac、清理磁盘、释放空间、清理缓存、清理系统 - 卸载应用、删除应用、移除应用及其残留 - 磁盘分析、查看磁盘占用、大文件查找、空间分析 - 系统优化、系统维护、刷新系统、重建缓存 - 系统状态、系统监控、CPU/内存/磁盘监控 - 清理 node_modules、清理构建产物、清理项目依赖 - 清理安装包、删除 dmg/pkg 文件 - Mac 清理工具、类似 CleanMyMac 的功能 - "我的 Mac 太慢了"、"磁盘空间不足"、"电脑卡顿" - 即使没有明确说 "Mole"，只要涉及上述场景就应使用
构建 CLI / command-line 工具时使用，支持两种模式。模式 A 人类 CLI（终端 UX、彩色、交互式提示、进度条、Shell 自动补全），关键词包括 commander / yargs / oclif / typer / click / cobra。模式 B agent-native CLI（JSON envelope / schema 自省 / dry-run 写入安全 / 契约驱动），关键词包括 agent-native CLI、JSON envelope、friction signal。混合场景默认走 B（agent 约束更严格）。只要用户提到 CLI、command-line、命令行工具、agent-native、envelope、schema、friction signal，或要给 agent 提供可调用的 CLI 工具，就应主动使用此 skill。
快速搭建和配置 pnpm monorepo 项目结构，包含 TypeScript、tsup 构建、私有 npm registry 配置。当用户需要"创建 monorepo"、"初始化 monorepo 项目"、"配置 pnpm workspace"、"设置 monorepo 构建"、"monorepo setup"时使用。特别适合需要统一管理多个包、配置构建工具、处理 TypeScript 路径问题的场景。即使用户只是说"帮我搭建项目结构"或"配置构建"，如果涉及多包管理也应该使用此 skill。