1. 项目概述：一个为Claude模型打造的技能库

最近在折腾AI应用开发，特别是围绕Anthropic的Claude模型。如果你也和我一样，不满足于仅仅通过网页聊天框和Claude对话，而是想把它真正集成到自己的应用、工作流或者自动化脚本里，那你大概率会遇到一个核心问题： 如何让Claude稳定、可靠地执行复杂任务？ 比如，让它读取本地文件、调用外部API、执行系统命令，或者处理一些需要多步骤协作的逻辑。直接让模型“凭空想象”去操作是不现实的，它需要具体的“工具”或“技能”来延伸其能力。

这就是“zacklecon/claude-skills”这个项目吸引我的地方。它不是一个简单的API封装，而是一个精心设计的 技能（Skills）框架 。你可以把它理解为一个为Claude模型准备的“瑞士军刀”工具箱，或者一个“插件系统”。它的核心价值在于，提供了一套标准化的方法来定义、管理和调用各种功能，让Claude能够安全、可控地与外部世界交互。无论是开发者想快速构建AI智能体，还是普通用户希望自动化一些重复性工作，这个项目都提供了一个极具潜力的起点。接下来，我就结合自己的实践，从头到尾拆解一下这个项目的设计思路、核心用法以及那些官方文档里可能没写的实操细节。

2. 核心架构与设计哲学解析

2.1 什么是“技能（Skill）”？为什么需要它？

在AI智能体（Agent）的语境下，“技能”是一个核心概念。它抽象了模型可以执行的一个具体动作。比如，“读取文件”是一个技能，“发送HTTP请求”是另一个技能，“执行Python代码”又是一个技能。没有技能，模型就只是一个拥有强大推理能力的“大脑”，但“手脚”被束缚住了。

“claude-skills”项目对“技能”的定义非常清晰： 一个技能就是一个可执行的函数，它有着明确的输入、输出和副作用 。项目通过代码结构强制实现了这种清晰性。每个技能都独立封装，这带来了几个巨大的好处：

  1. 安全性 ：你可以精确控制Claude能调用哪些技能。比如，在生产环境中，你绝不会开放“执行任意Shell命令”这种高危技能，但可以开放“查询数据库”或“调用内部审核API”的技能。这种白名单机制是构建可靠AI应用的基础。
  2. 可维护性 ：每个技能都是独立的模块，修改、调试、升级一个技能不会影响其他技能。新增一个技能也只需要按照框架约定添加一个新文件，符合软件工程的高内聚、低耦合原则。
  3. 可描述性 ：框架会自动提取技能的函数名、参数说明、类型注解，生成结构化的描述。这个描述正是Claude模型理解“何时以及如何使用这个技能”的关键。模型不需要看代码，它只需要看这份“说明书”。

2.2 项目整体结构拆解

当我们把项目代码拉下来，它的目录结构直接反映了其设计思想：

claude-skills/
├── skills/          # 核心技能目录
│   ├── __init__.py
│   ├── web_search.py   # 示例：网络搜索技能
│   ├── file_io.py      # 示例：文件读写技能
│   └── ...             # 其他技能
├── schemas/         # Pydantic数据模型定义
├── cli.py           # 命令行入口工具
├── agent.py         # 智能体运行的核心逻辑
└── config.yaml      # 配置文件（如API密钥、技能开关）

skills/ 目录 是核心。每个 .py 文件都是一个技能集合。框架通过动态导入的方式，加载所有符合规范的技能函数。这种设计意味着 扩展性极佳 。你想添加一个“发送企业微信通知”的技能？只需在 skills/ 目录下创建一个 wechat_notify.py 文件，按照模板写一个函数即可。

agent.py 是大脑，负责协调Claude模型和技能。它的主要工作是：

  1. 接收用户的自然语言请求。
  2. 结合当前已加载的技能描述，让Claude判断“是否需要调用技能”以及“调用哪个技能、传入什么参数”。
  3. 执行被选中的技能函数，获取结果。
  4. 将技能执行结果连同历史对话一起，再次交给Claude，让它生成面向用户的最终回答。

这个过程就是典型的 “思考-行动-观察” (Reason-Act-Observe) 循环，是构建能处理复杂任务AI智能体的标准模式。

2.3 关键技术栈选择背后的考量

项目选用了一些非常现代且高效的Python库，这不是偶然：

  • Pydantic ：用于技能输入输出参数的数据验证和序列化。这是保证安全性的第一道关卡。当Claude模型返回一个JSON，指明要调用某个技能并传入参数时，Pydantic会立即验证这些参数的类型、格式是否符合预期。这能有效防止模型输出格式错误或恶意构造的参数导致程序异常。
  • Typer ：用于构建优雅的命令行界面。这让工具不仅是一个库，更是一个开箱即用的产品。用户可以通过简单的命令与智能体交互，无需自己写脚本。
  • 异步支持 ：核心逻辑考虑了异步，这对于需要调用网络API的技能（如搜索、查询）至关重要，能避免阻塞，提升智能体的整体响应效率。

注意 ：虽然项目提供了基础技能，但它的定位更偏向于一个 框架 或 样板 。在真实业务场景中使用时，你几乎肯定需要根据自身需求编写自定义技能。官方示例技能更多是用于演示框架用法和最佳实践。

3. 从零开始：环境搭建与快速上手

3.1 基础环境准备与依赖安装

假设你已经在本地安装了Python（建议3.8以上版本）和Git，那么上手的第一步就是克隆项目并安装依赖。

# 1. 克隆项目代码
git clone https://github.com/zacklecon/claude-skills.git
cd claude-skills

# 2. 创建并激活虚拟环境（强力推荐，避免包冲突）
python -m venv venv
# 在Windows上激活：
# venv\Scripts\activate
# 在macOS/Linux上激活：
# source venv/bin/activate

# 3. 安装项目依赖
pip install -r requirements.txt

安装过程应该很顺利。如果遇到网络问题，可以考虑配置pip的国内镜像源。这一步完成后，你的环境里就拥有了运行框架所需的所有第三方库。

3.2 核心配置：API密钥与技能管理

项目运行离不开Claude的API。你需要去Anthropic的官网注册并获取一个API密钥。

获取密钥后，在项目根目录下，你需要创建一个配置文件。项目通常支持通过环境变量或配置文件管理密钥。最直接的方式是创建一个 .env 文件：

# 在项目根目录创建 .env 文件
echo "ANTHROPIC_API_KEY=你的实际API密钥sk-xxxxxx" > .env

重要安全提示 ：务必确保 .env 文件被添加到 .gitignore 中，避免将你的密钥意外提交到公开仓库。

除了API密钥，另一个重要的配置点是 技能开关 。在 config.yaml （或类似配置文件中），你可以看到类似下面的配置：

skills:
  enabled:
    - web_search
    - read_file
    - calculate
  disabled:
    - execute_shell_command # 高风险技能，默认禁用

在初次上手时，我建议只启用最基础、无风险的技能，如 read_file 、 calculate 。等完全理解整个调用流程和安全机制后，再根据需要谨慎启用 web_search （会发起网络请求）或更高风险的技能。 永远不要在生产环境或存有敏感数据的机器上，未经审查就启用 execute_shell_command 这类技能。

3.3 第一个交互：启动智能体并测试基础技能

配置完成后，就可以启动智能体进行对话了。项目通过 cli.py 提供了命令行入口。

# 启动交互式智能体
python cli.py chat

如果一切正常，你会看到一个提示符，比如 Agent > 。现在，你可以像和Claude网页版一样对话，但关键区别是，它现在具备了技能。

我们来做一个简单测试，验证文件读取技能：

Agent > 请读取当前目录下的 README.md 文件，并告诉我它的前两行是什么。

智能体背后会发生以下事情：

  1. 它理解你的意图是“读取文件”。
  2. 它在已加载的技能列表中，找到 read_file 技能及其描述（需要 file_path 参数）。
  3. 它会在回复中表明它将调用 read_file 技能，并尝试从你的指令中提取出 file_path 为 “README.md” 。
  4. 框架执行 skills/file_io.py 中的 read_file 函数，读取该文件内容。
  5. 智能体将文件内容作为上下文，生成最终回答：“README.md文件的前两行是：'# Claude Skills ...'”。

如果看到类似这样的成功响应，恭喜你，环境搭建和基础技能调用已经成功！

实操心得 ：第一次运行时，可能会因为API网络问题或密钥配置错误导致失败。建议先用一个最简单的纯文本问题（如“你好”），测试API连通性。确保基础对话正常后，再测试技能调用。另外，注意Claude API是有调用成本和速率限制的，初始测试时避免快速连续发送大量请求。

4. 技能深度剖析：以文件操作和网络搜索为例

要真正掌握这个框架，最好的方法就是深入看一两个技能的实现。我们选取最常用的 file_io （文件读写）和 web_search （网络搜索）来拆解。

4.1 文件读写技能详解

文件操作是智能体与本地环境交互的基础。我们打开 skills/file_io.py ：

from pydantic import BaseModel, Field
from typing import Optional
import aiofiles
import os

class ReadFileInput(BaseModel):
    file_path: str = Field(description="The path to the file to read.")

async def read_file(file_input: ReadFileInput) -> str:
    """Reads the content of a file."""
    if not os.path.exists(file_input.file_path):
        return f"Error: File not found at path '{file_input.file_path}'."
    async with aiofiles.open(file_input.file_path, mode='r', encoding='utf-8') as f:
        content = await f.read()
    return content

代码解读与安全考量：

  1. 输入模型 ： ReadFileInput 继承自 Pydantic 的 BaseModel 。 file_path 字段被定义为 str 类型，并带有描述。这个描述会暴露给Claude，帮助它理解这个参数需要什么。这里 没有 对 file_path 做路径遍历攻击防护（如检查 ../ ）。在正式使用中，这是一个 安全隐患 。一个更健壮的实现应该将操作限制在某个工作目录下：

    import pathlib
BASE_DIR = pathlib.Path("/safe/workspace")
class ReadFileInput(BaseModel):
    file_path: str = Field(description="The relative path to the file, from the safe workspace.")
async def read_file(file_input: ReadFileInput):
    safe_path = (BASE_DIR / file_input.file_path).resolve()
    # 关键安全检查：确保解析后的路径仍在BASE_DIR内
    if not str(safe_path).startswith(str(BASE_DIR.resolve())):
        return "Error: Access denied. Path traversal attempt detected."
    # ... 其余读取逻辑

  2. 异步操作 ：函数使用 async def 定义，并使用 aiofiles 进行异步文件读取。这保证了在读取大文件时不会阻塞整个智能体的运行。

  3. 错误处理 ：函数内包含了基本的文件存在性检查，并返回清晰的错误信息。这很重要，因为Claude需要根据技能执行结果来决定下一步动作。

如何让Claude更好地使用这个技能？ 仅仅有技能定义还不够。当你对智能体说“看看config.yaml里写了什么”，它可能能成功。但如果你说“把当前目录里所有的.py文件列出来”，它就无法处理，因为框架没有提供“列出目录”的技能。这时，你就需要 自己动手扩展 。添加一个 list_directory 技能会极大增强智能体的文件管理能力。

4.2 网络搜索技能的实现与优化

网络搜索赋予了智能体获取实时信息的能力。 web_search 技能的实现通常依赖于一个搜索API（如Serper API、Google Custom Search API等）。

import aiohttp
from pydantic import BaseModel, Field

class WebSearchInput(BaseModel):
    query: str = Field(description="The search query string.")
    num_results: int = Field(default=5, description="Number of search results to return.")

async def web_search(search_input: WebSearchInput) -> str:
    """Performs a web search and returns summarized results."""
    api_key = os.getenv("SEARCH_API_KEY")
    if not api_key:
        return "Error: Search API key not configured."
    
    url = "https://google.serper.dev/search"
    headers = {"X-API-KEY": api_key, "Content-Type": "application/json"}
    payload = {"q": search_input.query, "num": search_input.num_results}
    
    async with aiohttp.ClientSession() as session:
        async with session.post(url, json=payload, headers=headers) as response:
            if response.status == 200:
                data = await response.json()
                # 从data中提取标题、链接、摘要，并格式化成字符串
                formatted_results = _format_search_results(data)
                return formatted_results
            else:
                return f"Error: Search API request failed with status {response.status}."

关键点与优化建议：

  1. API密钥管理 ：搜索技能需要额外的API密钥，这再次强调了环境变量或配置文件管理敏感信息的重要性。
  2. 结果格式化 ：原始的API返回通常是JSON。 _format_search_results 这个辅助函数至关重要。它需要将JSON转换成一段对Claude模型友好的、简洁明了的文本。通常包括每个结果的标题、链接和核心摘要。 格式化质量直接影响了Claude对搜索结果的利用效率。
  3. 限流与缓存 ：频繁调用搜索API会产生成本，也可能触发速率限制。在正式应用中，应考虑：
    • 缓存 ：对相同的搜索查询结果进行短期缓存（例如5分钟）。
    • 限流 ：在智能体层面控制搜索技能的调用频率。
    • 结果截断 ： num_results 不要设置过大，5-10条通常足够Claude提炼信息，过多结果会消耗大量上下文令牌。

一个常见的陷阱 ：智能体可能会过度依赖搜索。对于常识性或知识库内已有的问题，也应优先使用模型自身知识回答。这需要在 agent.py 的逻辑中，或者通过给Claude的初始系统提示词（System Prompt）中进行引导，例如：“你拥有广泛的知识。仅在问题涉及非常新的、实时的或特定领域的外部信息时，才使用搜索技能。”

5. 构建自定义技能：从想法到集成

框架最大的威力在于允许你自定义技能。我们来实战一个场景： 创建一个获取当前天气的技能 。

5.1 定义技能函数与输入输出

首先，在 skills/ 目录下创建一个新文件，比如 weather.py 。

# skills/weather.py
import aiohttp
import os
from pydantic import BaseModel, Field
from typing import Optional

class GetWeatherInput(BaseModel):
    city: str = Field(description="The name of the city to get weather for.")
    country_code: Optional[str] = Field(default=None, description="Optional ISO country code (e.g., 'US', 'CN') for disambiguation.")

async def get_weather(input_data: GetWeatherInput) -> str:
    """Fetches the current weather for a given city."""
    api_key = os.getenv("WEATHER_API_KEY")
    if not api_key:
        return "Error: Weather API key is not configured."
    
    # 构建请求URL，这里以OpenWeatherMap API为例
    city_query = input_data.city
    if input_data.country_code:
        city_query += f",{input_data.country_code}"
    
    url = f"https://api.openweathermap.org/data/2.5/weather"
    params = {
        "q": city_query,
        "appid": api_key,
        "units": "metric"  # 使用摄氏度
    }
    
    try:
        async with aiohttp.ClientSession() as session:
            async with session.get(url, params=params) as resp:
                if resp.status == 200:
                    data = await resp.json()
                    # 解析返回的JSON数据
                    temp = data['main']['temp']
                    humidity = data['main']['humidity']
                    description = data['weather'][0]['description']
                    city_name = data['name']
                    return f"The current weather in {city_name} is {description} with a temperature of {temp}°C and humidity of {humidity}%."
                elif resp.status == 404:
                    return f"Error: City '{input_data.city}' not found."
                else:
                    return f"Error: Failed to fetch weather data. API returned status {resp.status}."
    except Exception as e:
        return f"Error: An exception occurred while fetching weather: {str(e)}"

5.2 注册技能并更新配置

创建文件后，框架通常会自动发现并注册它。但为了确保万无一失，我们需要检查两点：

  1. 确保 skills/__init__.py 正确导出 ：有些框架设计需要在这个 __init__.py 文件中显式导入技能。查看项目原有文件，如果它使用了动态扫描（如 pkgutil ），则无需修改。如果是手动导入，则需要添加：

    # skills/__init__.py
from .weather import get_weather
__all__ = [..., 'get_weather']

  2. 在配置中启用技能 ：在 config.yaml 的 enabled 技能列表里，添加 get_weather 。技能名通常就是函数名。

    skills:
  enabled:
    - web_search
    - read_file
    - get_weather  # 新增

5.3 测试与调试自定义技能

重启你的智能体，并进行测试：

Agent > 今天上海天气怎么样？

观察智能体的反应。理想情况下，它会识别出你的意图，调用 get_weather 技能，参数 city 为“上海”，然后返回解析后的天气信息。

调试技巧：

  • 查看日志 ：运行智能体时，可以增加日志输出级别，查看技能匹配和调用的详细过程。
  • 直接测试函数 ：在Python交互环境中，直接导入并调用 get_weather 函数，传入一个 GetWeatherInput 对象，检查其返回。这能快速定位是API调用问题还是结果解析问题。
  • 检查系统提示词 ：智能体的系统提示词决定了它使用技能的倾向性。如果智能体总是不调用新技能，可能需要微调提示词，强调它可以使用天气查询功能。

6. 高级应用：打造专属工作流与智能体

掌握了单个技能的创建，我们就可以组合它们，实现更强大的自动化工作流。

6.1 设计多技能协作场景

假设我们想做一个“每日简报生成器”智能体，每天早上自动执行以下任务：

  1. 读取一个预设的“兴趣主题”列表文件（ read_file 技能）。
  2. 对每个主题进行网络搜索，获取最新动态（ web_search 技能）。
  3. 将搜索结果总结、润色，生成一份格式优美的简报。
  4. 将简报写入一个新的Markdown文件（ write_file 技能，需自行实现）。

这个工作流涉及 技能链式调用 和 状态管理 。核心挑战在于如何让Claude理解多步骤任务，并在步骤间传递信息。

实现思路：

  1. 系统提示词设计 ：给智能体一个明确的角色和任务清单。 
    你是一个每日简报助手。你的任务是：
1. 从`topics.txt`文件中读取今天的兴趣主题列表。
2. 对每个主题，使用网络搜索获取最新的3条相关信息。
3. 将所有信息整合，撰写一份包含摘要和来源的Markdown格式简报。
4. 将简报保存到`briefing_YYYYMMDD.md`文件中。
请按步骤执行，并告诉我每一步的结果。
  2. 分步引导 ：用户只需触发“生成今日简报”。智能体会自主执行第一步（读文件），拿到主题列表后，它会意识到需要为每个主题执行搜索（多次调用 web_search ），最后调用写文件技能。这依赖于Claude强大的任务分解和上下文管理能力。

6.2 系统提示词工程与角色设定

系统提示词是智能体的“人格”和“行为准则”。对于工作流智能体，提示词需要精心设计：

  • 明确角色 ：“你是一个专注于数据处理的Python助手”、“你是一个创意写作伙伴”。
  • 定义技能使用规则 ：“你可以使用文件读写技能来管理代码。在修改任何现有文件前，必须向我确认。”、“优先使用你的内部知识回答问题，仅当问题明确需要最新信息时才使用搜索。”
  • 设定输出格式 ：“请始终以JSON格式返回你的分析结果。”、“将最终答案用Markdown标题和列表组织。”
  • 控制成本与效率 ：“在保证准确性的前提下，尽量简洁地总结搜索结果，避免引用过长原文。”

一个强大的系统提示词，能让同一个技能框架下的智能体表现出截然不同的行为模式。

6.3 外部集成：将智能体作为服务

claude-skills 项目自带CLI工具，适合手动交互。但在自动化场景，你可能需要将其集成到其他系统。这时，你需要将智能体核心逻辑封装成一个函数或类，供其他程序调用。

# 示例：将智能体封装为函数
from claude_skills.agent import Agent  # 假设框架提供了Agent类
from claude_skills.skills import load_skills
import asyncio

async def get_agent_response(user_query: str, system_prompt: str = None) -> str:
    """初始化智能体并获取单次响应"""
    skills = load_skills(enabled_skills=['read_file', 'calculate', 'get_weather'])
    agent = Agent(skills=skills, system_prompt=system_prompt)
    response = await agent.run(user_query)
    return response

# 在其他地方调用
async def main():
    briefing = await get_agent_response(
        "生成今日简报",
        system_prompt="你是一个简报生成助手..."
    )
    print(briefing)

# 或者集成到FastAPI等Web框架中
from fastapi import FastAPI
app = FastAPI()
@app.post("/chat")
async def chat_endpoint(request: dict):
    query = request.get("query")
    response = await get_agent_response(query)
    return {"response": response}

这样，你就可以构建一个提供AI服务的后端API，或者将其嵌入到现有的自动化流水线中。

7. 避坑指南与性能调优

在实际使用中，我踩过不少坑，也总结了一些优化经验。

7.1 常见错误与解决方案

问题现象 可能原因 解决方案
智能体完全不调用技能 1. 技能未在配置中启用。
2. 系统提示词未鼓励使用技能。
3. 技能描述不清晰，模型无法理解。		 1. 检查 config.yaml 。
2. 在系统提示词中明确列出可用技能及其用途。
3. 优化技能函数的 docstring 和参数的 Field(description) ，使其更贴近自然语言。
技能调用参数错误 1. 模型错误提取了参数。
2. Pydantic模型验证失败。		 1. 在用户指令中更清晰地提供参数信息（如“用 上海 这个城市参数查询天气”）。
2. 查看错误日志，确认模型输出的JSON是否符合技能输入模型。可在 agent.py 中增加调试日志，打印出模型选择的技能和参数。
API调用超时或失败 1. 网络问题。
2. 外部API服务不可用或达到限额。
3. 异步操作未正确处理异常。		 1. 为 aiohttp 请求添加合理的 timeout 参数。
2. 实现重试机制和优雅降级（如返回“暂时无法获取信息”）。
3. 在技能函数内部做好全面的 try-except ，返回友好的错误信息而非抛出异常导致智能体崩溃。
上下文令牌消耗过快 1. 技能返回内容过长（如读取了大文件）。
2. 对话历史未合理修剪。		 1. 为技能添加摘要功能。例如， read_file 技能可以增加一个 max_lines 或 summary 参数，只返回文件开头部分或AI生成的摘要。
2. 实现对话历史管理策略，只保留最近N轮或总结历史对话。

7.2 成本控制与性能优化策略

使用Claude API和外部API都会产生成本，智能体的响应速度也影响体验。

  1. 令牌成本控制 ：

    • 技能结果摘要 ：这是最有效的方法。不要让 web_search 返回10个完整结果，而是让技能本身或一个后处理函数，提取每个结果的标题和核心句，大幅压缩文本。
    • 压缩历史 ：对于长对话，定期让Claude自己总结之前的对话要点，然后用总结替换掉冗长的原始历史。
    • 设定预算上限 ：在调用API的代码层设置每日或每会话的令牌消耗上限。

  2. 响应速度优化 ：

    • 并行技能调用 ：如果多个技能调用之间没有依赖关系，可以考虑并行执行。例如，生成简报时，对不同主题的搜索可以同时进行。这需要对 agent.py 的执行逻辑进行改造。
    • 缓存 ：对频繁且结果变化不频繁的技能调用结果进行缓存（如天气信息缓存10分钟，搜索相同关键词缓存5分钟）。
    • 超时设置 ：为每个技能调用设置严格的超时时间，避免因某个外部服务挂起导致整个智能体无响应。

  3. 可靠性提升 ：

    • 技能沙盒化 ：对于高风险技能（如执行代码），应在安全的沙盒环境（如Docker容器）中运行，严格限制其资源和权限。
    • 输入验证与净化 ：除了Pydantic做类型验证，对来自模型的字符串参数（如文件路径、命令）要进行严格的净化，防止注入攻击。
    • 审计日志 ：记录每一次技能调用、参数和结果，便于事后审查和调试。

7.3 安全红线：绝不能忽视的注意事项

  1. 永远不要信任模型的输出 ：模型可能会被诱导输出有害指令或构造恶意参数。所有技能函数的输入都必须经过严格的验证和清洗，特别是涉及文件系统、数据库或网络操作的技能。
  2. 最小权限原则 ：运行智能体的进程应该使用权限最低的系统账户。技能函数只能访问它必需的最少资源。
  3. 谨慎开放网络与命令技能 ： web_search 可能访问恶意网站（尽管风险较低）， execute_shell_command 更是极度危险。如果必须使用，应通过白名单机制严格限制可访问的域名或可执行的命令范围。
  4. API密钥管理 ：所有第三方服务的API密钥必须通过环境变量或安全的密钥管理服务获取，绝不能硬编码在代码中。

这个框架提供了一个强大的范式，但真正的力量和安全，来自于使用者如何严谨地定义和管控每一个“技能”。它像是一把锋利的工具，既能帮你高效地构建智能应用，也要求你以负责任的态度去使用它。从我自己的使用经验来看，从小而简单的技能开始，逐步迭代，并始终将安全放在首位，是探索AI智能体世界最稳妥的路径。

Logo
DeepSeek技术社区

欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。

更多推荐

cover

DeepSeek-V4 RAG 分块策略优化：512 vs 1024 token 的实测边界与工程取舍

avatar DeepSeek技术社区
cover

企业知识库问答中的权限迷宫：如何用 DeepSeek 实现文档级 ACL 下沉与安全召回

avatar DeepSeek技术社区
cover

RAG 文档预处理：为什么 90% 的失败案例源于切分策略不当

avatar DeepSeek技术社区