（12378期）rag-search – 职业卫生法规智能检索引擎

职业卫生法规智能检索引擎 基于通义千问嵌入与重排序的本地RAG检索组件，专为职业卫生法规查询设计，提供带溯源的结构化检索结果。 使用说明 核心用法 rag-search 是一个最小化的 RAG（检索增强生成）后端检索组件，专为职业卫生领域的法规标准查询而设计。用户通过自然语言查询（如"GBZ 2.1-2019 苯 职业接触限值"），Skill 会执行以下流程：首先使用 QwenEmbeddingClient 调用通义千问 API 生成查询向量，然后通过 LiteVectorStore 从本地 SQLite 向量数据库召回相关内容，接着使用 QwenRerankClient 对召回结果进行重排序优化，最终返回包含原文内容、来源文件、条款编号、法规级别和相似度分数的结构化数据。 该 Skill 明确设计为后端组件，不直接面向终端用户，需通过 occupationalhealthqa 或 occupationalhealthreport_writer 等上层 Skill 间接调用。 显著优点 检索精度高：采用"向量召回+重排序"的两阶段架构，兼顾召回率和排序准确性 结果可溯源：返回法规原文、标准编号、具体条款和法规级别，满足专业场景的溯源要求 架构轻量：基于 SQLite 本地向量库，无需部署复杂的数据库服务 输出结构化：标准化的 JSON 格式输出，便于下游 Skill 集成和二次处理 领域聚焦：针对职业卫生法规优化，内置专业领域的向量化知识库 潜在缺点与局限性 外部依赖强：核心功能依赖通义千问 API，存在网络延迟、服务可用性和成本问题 数据更新受限：本地向量库更新需要离线重建，无法实时同步最新法规 查询长度无限制：当前实现缺少输入长度校验，极端长查询可能导致异常 环境耦合度高：模块路径和数据库路径均为硬编码，跨环境部署需修改代码 单点查询：不支持批量查询或并发优化，高吞吐场景可能成为瓶颈 适合的目标群体 职业卫生 AI 应用开发者：需要法规检索能力的后端开发者 企业合规系统建设者：构建职业健康安全管理平台的工程团队 垂直领域 RAG 应用研究者：学习 RAG 架构在特定领域落地的参考案例 职业卫生咨询机构：需要自动化法规查询支持的专业服务机构 使用风险 数据隐私风险：查询内容会发送至通义千问 API，敏感信息存在外发可能 服务可用性风险：外部 API 故障将直接导致检索功能失效 结果时效性风险：本地知识库更新滞后，可能返回已废止的法规条款 性能波动风险：API 调用延迟不稳定，影响整体响应时间 环境依赖风险：硬编码路径要求特定的部署环境，容器化部署需额外适配 原始说明 Backend retrieval skill for structured search of occupational health standards and documents, returning relevant text with source and clause details.