本文针对传统RAG存在的意图识别模糊、知识碎片化及缺乏评测闭环等痛点，提出了一套系统性解决方案：首先，利用思维链（CoT）驱动的意图识别，将用户问题分解为多步逻辑查询并行检索，解决了上下文工程中查询不精准的问题；其次，在检索架构上，对比了GraphRAG高昂的构建成本与维护难度，文章重点阐述了LightRAG的落地实践，通过实体关系抽取与双层检索范式，在保留图结构优势的同时实现了秒级响应与增量更新；最后，构建了多维度的评测体系，强调人工校验以克服模型“过度自信”，旨在通过数据驱动的方式持续提升答疑系统的上下文构建能力。
起初是打算写一篇 Rules 相关的备份文章，写着写着，想到自己虽然天天使用 AI 编程工具，包括Cursor、Kiro、Angravity、Trae、Codebuddy 等等，但是对于 这些工具中 相关的 Rules、Skills、Subagents、MCP的概念并不清楚；使用也仅限于了在 Agent 中发送一句，让 AI 执行；有时候好多重复的限定条件的指定还单独用记事本保存，怎么说呢，只用到了 这些工具 1% 的功能。。。所以我写的过程中也在结合自己的实际情况，分析如何更好的使用 AI 开发工具。看完这篇文章，会对Rules、Skills、Subagents、MCP有基本的了解，知道都是什么，分别合适在什么时候用，以及怎么用。Ps：作为一个 iOS 开发，语言有 OC、Swift、SwiftUI、Flutter，所以 Rules 也是偏向这些的；下面文章中使用 Cursor 来说明如何设置，其他的工具都大致一样。
还记得手动部署的古早编程时代吗？ 代码写完，打个 tar 包，开 FTP 传到服务器上，SSH 进去解压，改配置文件，重启服务，刷一下页面祈祷别 500。有时候还得半夜部署，因为白天不敢动生产环境。运气不好配置写错了，回滚靠的是上次手动备份的那个文件夹，如果你还记得放在哪儿的话。
本文给你一套可执行的团队落地方案：从安装到试点到全面推开，一周内让整个团队跑通大模型编程，并且质量可控、效果可量化。（文章内容基于作者个人技术实践与独立思考，旨在分享经验，仅代表个人观点。）
