# RAG Implementer

Скилл RAG Implementer ведёт агента через восемь фаз внедрения RAG: дизайн базы знаний, эмбеддинги, векторное хранилище, поисковый конвейер. Первым делом проверяет, нужен ли RAG вашему проекту.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode, Windsurf (Devin Desktop), Claude.ai · 189 установок · ★ 39 у репозитория
- Автор: daffy0208
- Лицензия: MIT · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/daffy0208/ai-dev-standards/tree/HEAD/skills/rag-implementer/SKILL.md
- Обновлён: 2025-12-25
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/skills/rag-implementer

## Что делает

Скилл разбивает внедрение RAG на восемь фаз: база знаний, стратегия эмбеддингов, векторное хранилище, поисковый конвейер и дальше. В каждой фазе есть список действий и чек-лист, который надо закрыть перед переходом к следующей. Начинается всё с отрезвляющего вопроса: а нужен ли вам RAG? Скилл предлагает сперва обойтись FAQ-страницей, поиском по ключевым словам (Algolia, Typesense, полнотекстовый поиск в Postgres), ручной курацией ответов или простым семантическим поиском на pgvector.

Дальше идут конкретные развилки. Чанки: фиксированные по 500–1000 токенов с перекрытием 50–100 либо семантические, по границам разделов. Эмбеддинги: `text-embedding-3-large` на 1536 измерений для общего случая, `multilingual-e5-large` для мультиязычных данных. Хранилище: Pinecone, Weaviate, Qdrant, Chroma или pgvector. Поиск скилл советует строить гибридным, с BM25 и ре-ранжированием кросс-энкодером вроде `cross-encoder/ms-marco-MiniLM-L-12-v2`.

Цены и сроки в скилле тоже прописаны: прототип укладывается в 1–2 недели и $50–150 в месяц, продакшен в 3–4 недели и $200–500, корпоративный вариант в 6–8 недель и $500–2000+. Если чек-лист валидации не закрыт, скилл отправляет обратно к `product-strategist` или `mvp-builder`. Формат — план с точками проверки, код пишется уже по ходу фаз.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add daffy0208/ai-dev-standards --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 daffy0208/ai-dev-standards --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 daffy0208/ai-dev-standards --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 daffy0208/ai-dev-standards 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 daffy0208/ai-dev-standards --skill rag-implementer -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/daffy0208/ai-dev-standards --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 daffy0208/ai-dev-standards --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/daffy0208/ai-dev-standards/tree/HEAD/skills/rag-implementer/SKILL.md

## Когда брать
- Понять, нужен ли проекту RAG, до трат на векторную базу
- Разбить документы на чанки с метаданными и перекрытием
- Выбрать эмбеддинг-модель под язык и тип контента
- Собрать гибридный поиск с BM25 и ре-ранжированием
- Прикинуть бюджет и сроки для прототипа и продакшена

## Примеры запросов агенту
- Спланируй RAG для базы внутренних документов и скажи, какие фазы проходить.
- Подбери векторное хранилище и модель эмбеддингов под наш корпус документов.
- Проверь, нужен ли нам RAG, или хватит полнотекстового поиска в Postgres.

## Похожие
- [rag-implementer](https://affpapa.org/nevibecode/skills/oakoss-rag-implementer.md) — скилл · 121 установка
- [rag-engineer](https://affpapa.org/nevibecode/skills/sickn33-rag-engineer.md) — скилл · 1000 установок
- [rag](https://affpapa.org/nevibecode/skills/rag.md) — скилл · 3900 установок
- [rag-architect](https://affpapa.org/nevibecode/skills/rag-architect.md) — скилл · 629 установок
- [rag-implementation](https://affpapa.org/nevibecode/skills/sickn33-rag-implementation.md) — скилл · ★ 50109 у репозитория
- [langchain-rag](https://affpapa.org/nevibecode/skills/langchain-rag.md) — скилл · 18600 установок

Из того же набора: [daffy0208/ai-dev-standards](https://affpapa.org/nevibecode/by/daffy0208/ai-dev-standards.md) — 63 карточки

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