一句话
RAG 不难，难的是让你自己每天愿意喂数据进去 + 每天愿意去问它。
下面 3 步是我实际让 RAG 变成「日用工具」而不是「demo 玩具」的过程。
步骤 1：选一个真实小痛点
我第一次试 RAG 是用 LangChain 做了个「读完整本《思考，快与慢》然后问问题」的 demo。
用了 3 次再没碰过。
后来换了方法：找一个我每天会重复遇到的小问题。
我的选择：「我之前做某个决策时是怎么想的？」 原因：我每天写 vault 日志，但回看的时候要翻 5-10 个文件。如果有个 agent 能直接回答「2026-04 你为什么决定把 HealthBot 拆出来」，省下 30 分钟 / 周。
真实需求 + 高频 = 一定会用。
步骤 2：Dify 而不是 LangChain
我用过两种：
| | LangChain | Dify | |---|---|---| | 灵活度 | 极高（写代码自由）| 中（可视化工作流）| | 上手 | 1 周 | 1 天 | | 迭代 prompt | 改代码 → 测试 → debug | 改 UI → 立刻预览 | | 适合 | 工程团队做产品 | 一人 build 内部工具 |
对我自己用的工具，Dify 完胜。改 prompt 不用动代码不用 commit 不用 deploy。
步骤 3：用 OpenClaw 把 RAG 调用做成 skill
光有 RAG workflow 还不够。如果每次问问题都要打开 Dify UI 复制粘贴回答，摩擦力还是太大。
我用 OpenClaw 把 Dify workflow 包装成一个 skill：
# pseudocode
@openclaw_skill("ask-yikai-vault")
def ask_vault(question: str) -> str:
return dify.run(
workflow_id="vault-rag",
inputs={"question": question}
)现在我在 Claude Code 里直接说「翻翻 vault 看看我之前怎么决定的 X」，OpenClaw 自动调 Dify，5 秒拿到带引用的答案。
摩擦力降到接近 0，使用频率从每周 1 次变成每天 5+ 次。
反直觉的总结
让 RAG「起飞」的不是更好的 embedding 模型、更聪明的 chunking 策略、更长的 context window。
是「调用方式有多顺手」。
- 调用 = 3 步（打开 web / 复制问题 / 等回答）→ 一周用 0 次
- 调用 = 0 步（在你已经在用的工具里一句话触发）→ 一天用 5 次
这一条规律我用过 5 次了，每次都对。下次你做工具，先想**「我从想用到用上需要几步」**，再做 prompt 优化。
下一篇我会拆 RAG 的 chunking 策略实战（为什么我最后没用 LangChain 默认的 1000-token chunk）。