rag-ingest

将 Agent 已解读好的正文写入 Qdrant（kb_main）。仅做 chunk、embedding 和向量写入，不负责抓取与精炼。

Security Scan

该技能的声明、行为和所需权限在功能范围内一致：它把已解读的文本切分、调用嵌入服务得到向量，并写入用户指定的 Qdrant 集合，没有发现与声明目的不符的行为。

Purpose & Capability

名字与描述表明仅做 chunk、embedding 与写入 Qdrant；脚本正是读取正文（参数或 stdin）、切分、调用嵌入 API、建立/删除/写入 Qdrant collection，所需二进制 node 与声明一致，未请求与用途无关的外部凭据或路径。

Instruction Scope

SKILL.md 与脚本指令一致：通过 CLI/STDIN 接收内容并写入 Qdrant。脚本只访问命令行参数、stdin、环境变量和网络（嵌入服务与 Qdrant），没有读取本地敏感路径或要求额外上下文。网络访问限于嵌入端点（可配置）和 Qdrant_URL。

Install Mechanism

无安装说明（instruction-only + 附带脚本），也没有从不可信 URL 下载或在安装阶段写入磁盘的操作；仅要求运行时有 node，风险较低。

Credentials

声明的必需 env 为 QDRANT_URL 与 EMBED_API_KEY，与用途相符。但脚本还会读取/接受额外环境变量（VECTORENGINE_API_KEY、OPENAI_API_KEY、EMBED_BASE_URL、RAG_INGEST_EMBED_MODEL / OPENAI_EMBEDDING_MODEL）。这些额外名称在 SKILL.md 中未完全列出——功能上可解释（方便兼容多种嵌入提供者），但应在元数据/文档中明确，以避免意外使用未预期的凭据或外部端点（默认 EMBED_BASE_URL 指向 api.vectorengine.ai）。

Persistence & Privilege

技能未声明 always:true，也不修改其他技能或系统配置；默认允许模型调用且为用户可调用，权限与其功能一致。

Assessment

此技能在功能和权限上自洽：它需要 QDRANT_URL（你的 Qdrant 实例）和一个嵌入服务的 API key。注意两点：1) 脚本会接受多种环境变量名（VECTORENGINE_API_KEY、EMBED_API_KEY、OPENAI_API_KEY）并有 EMBED_BASE_URL 的默认值（https://api.vectorengine.ai/v1），请确认你信任所用的嵌入服务和对应的 API key；2) SKILL.md 中应明确列出所有可识别的环境变量与默认嵌入端点，以防凭据被意外指向其他服务。建议在受控/隔离环境中先用测试数据和本地 Qdrant 实例（或验证过的远端）运行，确认行为符合预期，然后再在生产环境提供真实 API 密钥。

Usage

# 直接通过 --content 传入正文
node skills/rag-ingest/scripts/ingest.mjs \
  --doc-id "doc-001" \
  --topic-tags "net,security" \
  --content "已解读好的长文本..."

# 从 stdin 读取正文（推荐与 deep-research/summarize 配合）
echo "已解读好的长文本..." | node skills/rag-ingest/scripts/ingest.mjs \
  --doc-id "doc-002" \
  --topic-tags "web,http" \
  --source "https://example.com/article"

Parameters

Param	Required	Example	Description
--doc-id	yes	doc-001	文档 ID，用于标识/覆盖同一文档
--topic-tags	yes	net,security	逗号分隔标签，用于检索过滤
--content	no	"..."	正文；不传时从 stdin 读取
--source	no	"https://example.com"	来源标识，写入 payload.source
--collection	no	kb_main	Qdrant collection 名称