← 返回
AI智能 Key

Ragtop Agent

高级 RAG 助手,具备 Agentic RAG 思考能力。能够自动化管理 RAGTOP 知识库,并在执行深度调研任务时,调用 RAGTOP 后端接口。使用场景包括:(1) 列出知识库和文档,(2) 执行语义检索和深度分析。
高级 RAG 助手,具备 Agentic RAG 思考能力。能够自动化管理 RAGTOP 知识库,并在执行深度调研任务时,调用 RAGTOP 后端接口。使用场景包括:(1) 列出知识库和文档,(2) 执行语义检索和深度分析。
qbs784
AI智能 clawhub v1.0.0 1 版本 99881 Key: 需要
★ 0
Stars
📥 839
下载
💾 48
安装
1
版本
#latest

概述

ragtop-agent Skill

本 Skill 允许 AI 通过 curl 调用 RAGTOP 后端接口。AI 必须根据用户请求的性质,在“简单指令”与“深度调研”两种模式间切换。

Configuration

The following environment variables are required:

  • RAGTOP_API_URL: RAGTOP API base URL. Defaults to http://10.71.10.71:9380 if not set.
  • RAGTOP_API_TOKEN: Your RAGTOP API access token. Can be configured via the OpenClaw Web UI.

1. 核心工具构建指南 (How to build curl)

在调用以下接口前,请确保已获取环境变量 ${RAGTOP_API_URL}${RAGTOP_API_TOKEN}。如果 ${RAGTOP_API_URL} 为空,请使用默认值 http://10.71.10.71:9380

A. 列出知识库 (list_kb)

用于获取所有可用的 knowledge_id

curl -L -X POST "${RAGTOP_API_URL}/api/v1/ragtop/tool/list_kb" \
     -H "Authorization: Bearer ${RAGTOP_API_TOKEN}" \
     -H "Content-Type: application/json"

B. 列出文档 (list_doc)

用于获取特定知识库内的 doc_id 列表,以便缩小检索范围。

  • Payload: {"knowledge_id": "string"}
  • curl -L -X POST "${RAGTOP_API_URL}/api/v1/ragtop/tool/list_doc" \
         -H "Authorization: Bearer ${RAGTOP_API_TOKEN}" \
         -H "Content-Type: application/json" \
         -d '{"knowledge_id": "YOUR_KB_ID"}'
    

C. 内容检索 (retrieval)

用于执行语义搜索。支持单查询或多查询。

  • Payload 关键参数:
  • knowledge_id: 必填。
  • query: 字符串(单查询)。
  • queries: 字符串数组(多查询,推荐用于复杂任务)。
  • doc_ids: 数组(可选,限定文件范围)。
  • retrieval_setting: {"top_k": 16, "score_threshold": 0.3}
  • curl -L -X POST "${RAGTOP_API_URL}/api/v1/ragtop/tool/retrieval" \
         -H "Authorization: Bearer ${RAGTOP_API_TOKEN}" \
         -H "Content-Type: application/json" \
         -d '{
           "knowledge_id": "YOUR_KB_ID",
           "queries": ["查询1", "查询2"],
           "retrieval_setting": {"top_k": 5}
         }'
    

2. 任务分类处理逻辑

情况 A:简单指令 (Simple Instructions)

适用场景: 用户询问“有哪些知识库?”、“这个库里有哪些文件?”等管理类问题。

执行逻辑:

  1. 直接根据需求构建 list_kblist_doccurl 命令。
  2. 将返回的 JSON 结果整理成易读的表格或列表告知用户。

情况 B:深度调研 (Deep Investigation / Agentic RAG)

适用场景: 用户提出具体业务问题、对比分析或需要跨文档总结。

执行逻辑:

  1. 参考 references/workflow.md 执行“分析-分解-检索-综合”流程。
  2. 多步编排:
    • 第一步:调用 list_kb 确定相关的知识库 ID。
    • 第二步(可选):调用 list_doc 锁定相关文件。
    • 第三步:构建包含多个改写问题的 retrieval 请求,利用多路召回提高准确率。
    • 第四步:根据检索到的多个 chunks 进行逻辑推理和引用标注。

3. 运行规范

  • 严禁提及 ragflow,统一使用 ragtop
  • 引用必填: 所有深度调研的回答必须注明引用的文档名称。
  • 错误处理: 如果 curl 返回非 SUCCESS,应检查 Token 有效性并告知用户。

版本历史

共 1 个版本

  • v1.0.0 当前
    2026-03-29 22:23 安全 安全

安全检测

腾讯云安全 (Keen)

安全,无风险
查看报告

腾讯云安全 (Sanbu)

安全,无风险
查看报告

🔗 相关推荐

productivity

ragtop-planner

qbs784
面向外部 OpenClaw 的达人推广方案制定 Skill。基于 RAGTOP 三个工具接口(list_kb/list_doc/retrieval)执行四阶段工作流:规则提炼、案例总结、达人筛选、方案生成。
★ 0 📥 897
ai-intelligence

ontology

oswalpalash
类型化知识图谱,用于结构化智能体记忆与可组合技能。支持创建/查询实体(人员、项目、任务、事件、文档)及关联...
★ 714 📥 244,006
ai-intelligence

Self-Improving + Proactive Agent

ivangdavila
自我反思+自我批评+自我学习+自组织记忆。智能体评估自身工作、发现错误并持续改进。
★ 1,362 📥 318,769