# rag-implementer

Скилл rag-implementer ведёт агента по шагам RAG-пайплайна: от чанкинга и эмбеддингов до гибридного поиска и замеров качества.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode, Windsurf (Devin Desktop), Claude.ai · 121 установка · ★ 29 у репозитория
- Автор: oakoss
- Лицензия: MIT · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/oakoss/agent-skills/tree/HEAD/skills/rag-implementer/SKILL.md
- Обновлён: 2026-08-17
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/skills/oakoss-rag-implementer

## Что делает

Скилл разбирает RAG как три стадии: поиск документов, сборку контекста и генерацию ответа со ссылкой на источник. Внутри — техники, которые чаще всего нужны на практике: гибридный поиск на плотных эмбеддингах и BM25, re-ranking кросс-энкодером, MMR, reciprocal rank fusion, contextual compression, GraphRAG и proposition chunking. Таблицы решений помогают выбрать векторную базу (Pinecone, Qdrant, pgvector, Milvus) и модель эмбеддингов, вплоть до `text-embedding-3-large` с 3072 измерениями.

Работа разложена на восемь фаз: от проектирования базы знаний и выбора эмбеддингов до деплоя и доработки. Мерить предлагается Precision@K, Recall@K, faithfulness и сквозной задержкой.

Первым шагом скилл просит проверить, нужен ли RAG вообще: FAQ-страница, поиск по ключевым словам или простой семантический поиск могут закрыть задачу дешевле. Порог, с которого он разрешает строить пайплайн, — 50k+ документов, подтверждённый спрос и бюджет $200-500 в месяц. Довод за аккуратность: разница между удачной и неудачной стратегией чанкинга даёт до 9% recall, поэтому чанкинг выбирают до замеров, иначе провал спишут на модель эмбеддингов. Схему базы знаний и графы закрывают скиллы `knowledge-base-manager` и `knowledge-graph-builder`.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add oakoss/agent-skills --skill rag-implementer -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/rag-implementer/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/rag-implementer/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add oakoss/agent-skills --skill rag-implementer -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/rag-implementer/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add oakoss/agent-skills --skill rag-implementer -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/rag-implementer/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install oakoss/agent-skills skills/rag-implementer
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/rag-implementer/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add oakoss/agent-skills --skill rag-implementer -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/oakoss/agent-skills --path skills/rag-implementer
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/rag-implementer/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add oakoss/agent-skills --skill rag-implementer -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/oakoss/agent-skills/tree/HEAD/skills/rag-implementer/SKILL.md

## Когда брать
- выбрать стратегию чанкинга под структуру документов
- сравнить модели эмбеддингов на своём корпусе
- поднять гибридный поиск с BM25 и векторной выдачей
- добавить re-ranking и убрать дубли через MMR
- посчитать Recall@K и faithfulness до и после правок

## Примеры запросов агенту
- Собери RAG-пайплайн по документации из `docs/` и объясни, почему выбрал такой чанкинг.
- Сравни `text-embedding-3-small` и `multilingual-e5-large` на нашем корпусе и покажи Recall@K.
- Добавь в поиск re-ranking кросс-энкодером и MMR, чтобы в топ не лезли одинаковые куски.

## Похожие
- [rag-architect](https://affpapa.org/nevibecode/skills/borghei-rag-architect.md) — скилл · 137 установок
- [RAG Implementer](https://affpapa.org/nevibecode/skills/rag-implementer.md) — скилл · 189 установок
- [rag](https://affpapa.org/nevibecode/skills/rag.md) — скилл · 3900 установок
- [rag-engineer](https://affpapa.org/nevibecode/skills/sickn33-rag-engineer.md) — скилл · 1000 установок
- [ai-data-engineering-rag-pipeline](https://affpapa.org/nevibecode/skills/ai-data-engineering-rag-pipeline.md) — скилл · 165 установок
- [embedding-pipeline-builder](https://affpapa.org/nevibecode/skills/embedding-pipeline-builder.md) — скилл · 259 установок

Из того же набора: [oakoss/agent-skills](https://affpapa.org/nevibecode/by/oakoss/agent-skills.md) — 106 карточек

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md
