RAG 工作流

iterative-retrieval 是一种工作流模式，用于在 agentic 工作中逐步优化上下文检索。它能帮助 subagents 避免获取过多或过少的上下文，因此适用于 iterative-retrieval 的使用场景、安装决策，以及 Workflow Automation 中的 iterative-retrieval。

vector-index-tuning 可帮助优化向量检索索引，在延迟、召回率与内存占用之间取得平衡。可用于选择索引类型、调整 HNSW 参数，并比较适用于 RAG 工作流的量化方案。

rag-implementation 是一项面向实践的技能，可用于规划包含 vector databases、embeddings、retrieval patterns 与 grounded-answer workflows 的 RAG 系统。你可以用它比较技术栈方案、明确架构决策，并指导 document Q&A、knowledge assistants 和 semantic search 场景下的安装与使用选择。

similarity-search-patterns 可帮助你为语义搜索和 RAG 工作流选择合适的距离度量、索引类型与混合检索模式。适合用于规划生产级向量搜索在召回率、延迟和规模之间的取舍。

hybrid-search-implementation 技能说明如何将向量检索与关键词检索结合，并使用 RRF、线性融合、重排和级联等模式，用于 RAG 和搜索系统。

langchain-architecture 是一份用于构建 LangChain 1.x 与 LangGraph 应用的架构设计指南。在开始实现之前，你可以用它判断应采用 chains、agents、retrieval、memory 还是有状态编排等模式。

embedding-strategies 帮助你为语义搜索和 RAG 工作流选择并优化 embedding 模型，提供关于分块策略、模型取舍、多语言内容处理和检索评估的实用指导。

azure-search-documents-ts 可帮助后端开发者借助 @azure/search-documents SDK 构建 Azure AI Search 解决方案。它适用于索引创建、文档上传，以及关键词、向量、混合和语义搜索，还包括凭据与环境配置。对于后端开发来说，这是一本实用的 azure-search-documents-ts 指南。

azure-ai-contentunderstanding-py 是 Azure AI Content Understanding 的 Python 技能。它可从文档、图像、音频和视频中提取结构化内容，适用于 RAG 工作流和自动化场景。若你需要可靠的多模态提取、Azure 身份验证以及可重复、可直接接入流水线的输出，就适合使用它。