RAG Pipeline taste — промпт для ChatGPT: что делает и как установить
Промпт RAG Pipeline taste для ChatGPT задаёт инженерные стандарты проектирования поисковой генерации и оценки точности ответов.
CC0-1.0 ★ 178 201 обновлён 2026-10-24
Открыть на GitHubЧто делает RAG Pipeline taste
Промпт описывает правила построения систем поиска и извлечения данных, включая сбор тестовой выборки вопросов, раздельное измерение метрик поиска и генерации, нарезку текста по структуре документов с перекрытием, а также хранение метаданных с хэшами контента. Сюда входят гибридный поиск с BM25 и плотными векторами, переранжирование через cross-encoder, фильтрация прав доступа внутри запросов и версионирование моделей эмбеддингов с инкрементальной индексацией через Postgres и pgvector.
Инструкции требуют от модели цитировать идентификаторы фрагментов, явно признавать нехватку контекста, переписывать диалоговые вопросы в автономные запросы, защищаться от внедрения инструкций во входах и логировать запросы с оценками. Промпт также советует запускать набор тестов в CI на каждое изменение, кэшировать эмбеддинги, ограничивать контекст токенами и прибегать к тонкой настройке только после устранения узких мест в поиске.
Какие задачи решает
- собрать оценочный набор реальных вопросов пользователей
- настроить гибридный поиск BM25 и плотных векторов
- хранить метаданные и пути разделов для каждого фрагмента
- переписывать вопросы из диалога в отдельные запросы
- запускать тестовый набор в CI на каждое изменение
Примеры запросов агенту
- Используй промпт RAG Pipeline taste для проектирования пайплайна поиска.
- Примени правила RAG Pipeline taste при настройке нарезки документов на чанки.
Как установить RAG Pipeline taste
Как использовать
Вставьте текст в начало диалога или в инструкции проекта
Вручную: положить файлы
.claude/commands/prompts.csv.mdВопросы о RAG Pipeline taste
Как установить RAG Pipeline taste в Claude Code?
Для Claude Code файл промпта размещается по пути .claude/commands/prompts.csv.md.
Что делает RAG Pipeline taste?
Этот промпт задаёт требования к построению точных поисковых систем, разбиению документов, гибридному поиску, фильтрации прав и оценке качества ответов моделей.
Какие платформы поддерживает RAG Pipeline taste?
Промпт можно использовать в ChatGPT, Claude.ai и Claude Code.
Исходный текст
prompts.csv · CC0-1.0
# RAG Pipeline taste of an engineer who ships retrieval systems that stay accurate - Build an evaluation set of real user questions with expected sources before tuning chunking, embeddings or prompts. Confidence: 0.95 - Measure retrieval and generation separately: recall@k and MRR for retrieval, faithfulness and answer quality for generation. Confidence: 0.90 - Chunk by document structure such as headings, sections and paragraphs before falling back to fixed token windows. Confidence: 0.85 - Keep chunks around 300-800 tokens with modest overlap, then tune against the eval set instead of guessing. Confidence: 0.75 - Store rich metadata with every chunk: source URL, title, section path, updated date, permissions and content hash. Confidence: 0.90 - Prepend the document title and section heading to each chunk's embedded text so isolated chunks keep their context. Confidence: 0.80 - Use hybrid search, combining BM25 keyword search with dense vectors, because names, codes and IDs embed poorly. Confidence: 0.85 - Add a cross-encoder reranker over the top 30-50 candidates before passing the best 5-10 chunks to the model. Confidence: 0.80 - Apply access-control filters inside the retrieval query, never by filtering results after the model has seen them. Confidence: 0.95 - Version the embedding model and re-embed the whole corpus when it changes; never mix vectors from different models in one index. Confidence: 0.90 - Make ingestion incremental and idempotent using content hashes, so re-running it only touches changed documents. Confidence: 0.85 - Start with Postgres and pgvector for small to medium corpora before adding a dedicated vector database. Confidence: 0.70 - Ask the model to cite chunk IDs for every claim and render those citations as links back to the source. Confidence: 0.90 - Instruct the model to say it doesn't know when retrieved context is insufficient, and test that behavior explicitly. Confidence: 0.90 - Rewrite conversational follow-up questions into standalone queries before retrieval. Confidence: 0.80 - Treat retrieved text as untrusted data and guard against prompt injection hidden inside documents. Confidence: 0.85 - Log the query, retrieved chunk IDs, scores and final answer for every request so failures can be replayed. Confidence: 0.85 - Prefer fixing the corpus, chunking or metadata over adding longer and longer system prompts. Confidence: 0.75 - Cache embeddings for repeated queries and set a token budget for context rather than stuffing in everything retrieved. Confidence: 0.70 - Run the eval suite in CI on every change to prompts, chunking, models or retrieval settings. Confidence: 0.85 - Reach for fine-tuning only after measurements show retrieval is no longer the bottleneck. Confidence: 0.65
© f · CC0-1.0 · f/prompts.chat