💡 答案要点
一句话本质：
RAG 解决"模型不知道的知识"（知识供给），Skill 解决"模型做不好的流程/动作"（行为供给）。两者不是替代关系，是两种不同的能力注入方式。
RAG 管知识： 把外部文档（手册、条款、案例）切分、向量化后挂到模型上下文里，回答依赖"检索到的内容"。
Skill 管流程： 把一套可复用的 SOP/操作步骤封装成能力单元，Agent 按需调用，回答依赖"按流程执行的结果"（查 API、算价格、走审批）。
核心对比表：
| 维度 | RAG（知识） | Skill（流程） |
|---|---|---|
| 注入内容 | 事实/文档/数据 | 动作/步骤/规则 |
| 依赖形态 | 向量库 + 检索 | 代码/函数 + 参数协议 |
| 更新方式 | 重新清洗、切分、入库、评测 | 改代码、发版本、灰度 |
| 建设周期 | 长：洗数据（解析→清洗→切分→评测→回流） | 短：封装即用 |
| 确定性 | 低：检索可能不中、答案可能幻觉 | 高：执行结果可预期、可断言 |
| 复用性 | 弱：换领域要重新洗数据 | 强：SOP 可跨业务复用 |
| 典型场景 | 知识问答、客服答疑、合同条款查询 | 下单、审批流、报表生成、多步操作 |
为什么"RAG 长线强但洗数据周期长"：
RAG 上线的真实时间线：
原始文档 → 格式归一 → 解析（PDF/扫描件/表格）→ 清洗去噪
→ 切分策略调优 → Embedding 选型 → 入库 → 检索评测 → 线上回流
痛点：
- 文档质量参差，扫描件/图片表格解析失败率高
- 切分策略试错成本高，改一次切分要重跑全量评测
- 知识更新慢：文档改了，向量库里还是旧版本
Skill 的对比优势：
- 流程逻辑写死在代码里，改一行上线即生效
- 有明确的输入输出契约，可以写单测、可以 mock选型决策树：
问题需要"事实"吗？
├─ 是，且事实来自文档/知识库 → RAG（或 RAG + 混合检索）
├─ 是，但事实是结构化数据（订单/库存/余额）→ 直接查库/SQL 工具，别硬套 RAG
└─ 否，问题需要"执行一套动作"（SOP/流程）→ Skill 封装
混合场景（最常见）：
客服场景 = 意图识别（Skill 编排）→ 查知识库（RAG）→ 查订单（SQL 工具）→ 生成回复两个面试官爱追问的坑：
- "RAG 和向量数据库不是一回事"：RAG 是检索增强方案，向量库只是其中一种存储；结构化数据走 SQL、走 ES 倒排，都比硬塞向量库强。
- "别把流程写进 RAG 文档里"：把 SOP 写成文档丢进 RAG，等于让模型"读文档猜流程"，确定性全无；流程就该是 Skill（代码），文档只负责提供事实。
面试话术：
"RAG 和 Skill 是两种不同的能力注入：RAG 注入知识，解决'模型不知道'；Skill 注入流程，解决'模型做不好'。RAG 长线价值高，知识会越积累越厚，但洗数据周期长，文档解析、切分、评测每一环都是坑；Skill 上线快、确定性强、可复用，适合把 SOP 封装成标准能力。我的选型原则是：事实靠 RAG，流程靠 Skill，结构化数据直接查库。客服这种混合场景就是 Skill 编排 + RAG 喂知识 + SQL 查数据，各司其职。"