# rag-engineer

Скилл для проектирования систем поиска и генерации с векторными базами данных. Помогает настроить чанкинг, выбрать embedding-модели и оптимизировать качество поиска перед тем, как результаты попадут в LLM.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 1000 установок · ★ 48508
- Автор: sickn33
- Лицензия: MIT · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/sickn33/agentic-awesome-skills/tree/HEAD/skills/rag-engineer/SKILL.md
- Обновлён: 2026-10-24
- HTML: https://affpapa.org/nevibecode/skills/sickn33-rag-engineer

## Что делает

rag-engineer обучает агента архитектуре RAG-систем: как правильно разбивать документы на куски, выбирать модели для встраивания текста, работать с векторными базами и комбинировать семантический поиск с ключевыми словами. Скилл фокусируется на том, что качество поиска определяет качество ответа — если в контекст попадёт мусор, LLM не спасёт.

Внутри скилла паттерны для типичных задач: семантический чанкинг по смыслу, а не по числу токенов; иерархический поиск для больших коллекций; гибридный поиск через BM25 и векторное сходство; переранжирование результатов и фильтрация по метаданным. Также описаны острые углы — например, почему фиксированный размер чанка ломает предложения и контекст, или почему один embedding-модель для кода и документов даёт плохие результаты.

Скилл требует понимания основ LLM и embeddings. Если нужно интегрировать поиск в production-приложение, потребуется выбрать конкретную векторную БД (Pinecone, Weaviate, Milvus) и embedding-сервис — скилл подскажет архитектуру, но не будет за вас писать код интеграции.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add sickn33/agentic-awesome-skills --skill rag-engineer -a claude-code
```

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

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add sickn33/agentic-awesome-skills --skill rag-engineer -a codex
```

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

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add sickn33/agentic-awesome-skills --skill rag-engineer -a cursor
```

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

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install sickn33/agentic-awesome-skills rag-engineer
```

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

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add sickn33/agentic-awesome-skills --skill rag-engineer -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/sickn33/agentic-awesome-skills --path skills/rag-engineer
```

### Windsurf (Devin Desktop)

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

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add sickn33/agentic-awesome-skills --skill rag-engineer -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/sickn33/agentic-awesome-skills/tree/HEAD/skills/rag-engineer/SKILL.md

## Когда брать
- выбрать метод чанкинга документов для качественного поиска
- комбинировать семантический и ключевой поиск в одной системе
- оптимизировать ранжирование и фильтрацию результатов поиска
- отладить качество retrieval отдельно от качества генерации
- масштабировать RAG на большие коллекции документов

## Примеры запросов агенту
- Как лучше разбить PDF с документацией на куски для поиска?
- Почему мой семантический поиск возвращает релевантный по смыслу, но неправильный по контексту результат?
- Как настроить гибридный поиск — комбинацию BM25 и векторного сходства?

## Похожие
- [rag](https://affpapa.org/nevibecode/skills/rag.md) — скилл · 3700 установок
- [rag-architect](https://affpapa.org/nevibecode/skills/rag-architect.md) — скилл · 629 установок
- [vector-database-engineer](https://affpapa.org/nevibecode/agents/vector-database-engineer.md) — субагент · ★ 41729
- [langchain-rag](https://affpapa.org/nevibecode/skills/langchain-rag.md) — скилл · 17500 установок
- [rag-implementation](https://affpapa.org/nevibecode/skills/rag-implementation.md) — скилл · 13906 установок
- [pinecone-rag](https://affpapa.org/nevibecode/skills/pinecone-rag.md) — скилл · 24 установки

## Другие версии с тем же именем
- [rag-engineer · davila7](https://affpapa.org/nevibecode/skills/rag-engineer.md) — 273 установки

Из того же набора: [sickn33/agentic-awesome-skills](https://affpapa.org/nevibecode/by/sickn33/agentic-awesome-skills.md) — 101 карточка

_Часть страницы не вошла по размеру — она есть в HTML-версии._

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