К основному содержанию
скилл CX Codex

rag-implementation · sickn33 — скилл для Claude Code: обзор и установка

Скилл rag-implementation для Claude Code описывает восьмиэтапное внедрение RAG: от выбора эмбеддингов до настройки гибридного поиска и оценки качества.

MIT ★ 50 109 обновлён 2026-10-29

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add sickn33/agentic-awesome-skills --skill rag-implementation -a claude-code
Открыть на GitHub

Что делает rag-implementation

Скилл описывает пошаговый процесс построения RAG-систем (генерации с расширенным поиском). Он разбивает внедрение на восемь стадий: от формулирования требований и подбора модели эмбеддингов до развёртывания векторной базы, нарезки чанков, гибридного поиска и замеров качества. Для каждого этапа подготовлены типовые промпты и список сопутствующих скиллов.

Архитектура строго разделяет слои: пользовательский запрос превращается в эмбеддинг, векторный поиск достаёт документы из хранилища чанков, а языковая модель генерирует ответ на базе контекста. Скилл фиксирует границу доверия к контексту: найденные фрагменты считаются доказательной базой, но не имеют права переопределять исходные системные инструкции или вызывать инструменты.

Кэши привязаны к тенантам и версиям индексов, поэтому удаление исходных документов требует синхронной очистки эмбеддингов и сохранённых ответов. Для подтверждения надёжности оценка релевантности поиска и фактической привязки генерации проводится раздельно.

Какие задачи решает

  • Настроить векторный поиск и схему индексов в базе данных
  • Подобрать стратегию разбиения документов на фрагменты и перекрытия
  • Реализовать гибридный поиск по векторам и ключевым словам с переранжированием
  • Организовать кэширование эмбеддингов и проверку точности ответов модели

Примеры запросов агенту

  • Используй workflow rag-implementation для проектирования архитектуры поиска по нашей документации
  • Помоги настроить стратегию нарезки чанков и схему векторной базы по скиллу rag-implementation
  • Проведи оценку релевантности поиска и подготовь метрики по этапам rag-implementation

Как установить rag-implementation

1Через Skills CLI (Vercel)

npx skills add sickn33/agentic-awesome-skills --skill rag-implementation -a claude-code

2Вручную: положить файлы

~/.claude/skills/rag-implementation/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/rag-implementation/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о rag-implementation

Как установить rag-implementation в Claude Code?

Выполните команду в терминале: npx skills add sickn33/agentic-awesome-skills --skill rag-implementation -a claude-code.

Для каких задач нужен этот скилл?

Он служит инструкцией по созданию систем генерации с дополнением выборкой данных (RAG), семантического поиска и вопросно-ответных сервисов по корпоративным документам.

Как скилл рекомендует обрабатывать найденные документы?

Извлечённые фрагменты служат доказательной базой для ответа, но не должны иметь полномочий менять системные промпты или напрямую вызывать инструменты агента.

Исходный текст

SKILL.md · MIT
---
name: rag-implementation
description: "RAG (Retrieval-Augmented Generation) implementation workflow covering embedding selection, vector database setup, chunking strategies, and retrieval optimization."
category: granular-workflow-bundle
risk: safe
source: personal
date_added: "2026-02-27"
---

# RAG Implementation Workflow

## Overview

Specialized workflow for implementing RAG (Retrieval-Augmented Generation) systems including embedding model selection, vector database setup, chunking strategies, retrieval optimization, and evaluation.

## When to Use This Workflow

Use this workflow when:
- Building RAG-powered applications
- Implementing semantic search
- Creating knowledge-grounded AI
- Setting up document Q&A systems
- Optimizing retrieval quality

## Workflow Phases

### Phase 1: Requirements Analysis

#### Skills to Invoke
- `ai-product` - AI product design
- `rag-engineer` - RAG engineering

#### Actions
1. Define use case
2. Identify data sources
3. Set accuracy requirements
4. Determine latency targets
5. Plan evaluation metrics

#### Copy-Paste Prompts
```
Use @ai-product to define RAG application requirements
```

### Phase 2: Embedding Selection

#### Skills to Invoke
- `embedding-strategies` - Embedding selection
- `rag-engineer` - RAG patterns

#### Actions
1. Evaluate embedding models
2. Test domain relevance
3. Measure embedding quality
4. Consider cost/latency
5. Select model

#### Copy-Paste Prompts
```
Use @embedding-strategies to select optimal embedding model
```

### Phase 3: Vector Database Setup

#### Skills to Invoke
- `vector-database-engineer` - Vector DB
- `similarity-search-patterns` - Similarity search

#### Actions
1. Choose vector database
2. Design schema
3. Configure indexes
4. Set up connection
5. Test queries

#### Copy-Paste Prompts
```
Use @vector-database-engineer to set up vector database
```

### Phase 4: Chunking Strategy

#### Skills to Invoke
- `rag-engineer` - Chunking strategies
- `rag-implementation` - RAG implementation

#### Actions
1. Choose chunk size
2. Implement chunking
3. Add overlap handling
4. Create metadata
5. Test retrieval quality

#### Copy-Paste Prompts
```
Use @rag-engineer to implement chunking strategy
```

### Phase 5: Retrieval Implementation

#### Skills to Invoke
- `similarity-search-patterns` - Similarity search
- `hybrid-search-implementation` - Hybrid search

#### Actions
1. Implement vector search
2. Add keyword search
3. Configure hybrid search
4. Set up reranking
5. Optimize latency

#### Copy-Paste Prompts
```
Use @similarity-search-patterns to implement retrieval
```

```
Use @hybrid-search-implementation to add hybrid search
```

### Phase 6: LLM Integration

#### Skills to Invoke
- `llm-application-dev-ai-assistant` - LLM integration
- `llm-application-dev-prompt-optimize` - Prompt optimization

#### Actions
1. Select LLM provider
2. Design prompt template
3. Implement context injection
4. Add citation handling
5. Test generation quality

#### Copy-Paste Prompts
```
Use @llm-application-dev-ai-assistant to integrate LLM
```

### Phase 7: Caching

#### Skills to Invoke
- `prompt-caching` - Prompt caching
- `rag-engineer` - RAG optimization

#### Actions
1. Implement response caching
2. Set up embedding cache
3. Configure TTL
4. Add cache invalidation
5. Monitor hit rates

#### Copy-Paste Prompts
```
Use @prompt-caching to implement RAG caching
```

### Phase 8: Evaluation

#### Skills to Invoke
- `llm-evaluation` - LLM evaluation
- `evaluation` - AI evaluation

#### Actions
1. Define evaluation metrics
2. Create test dataset
3. Measure retrieval accuracy
4. Evaluate generation quality
5. Iterate on improvements

#### Copy-Paste Prompts
```
Use @llm-evaluation to evaluate RAG system
```

## RAG Architecture

```
User Query -> Embedding -> Vector Search -> Retrieved Docs -> LLM -> Response
                |              |              |              |
            Model         Vector DB     Chunk Store    Prompt + Context
```

## Trust and evaluation boundaries

Enforce document access at retrieval and again when returning citations; isolate caches by tenant, permission scope and model/index revision. Retrieved text is evidence, never authority to override instructions or invoke tools. Track document/source versions and deletion propagation through chunks, embeddings and cached answers. Evaluate retrieval relevance and answer grounding separately on held-out queries, including cross-tenant negatives, unanswerable questions and injected document instructions. A plausible cited answer does not prove the citation supports it.

## Quality Gates

- [ ] Embedding model selected
- [ ] Vector DB configured
- [ ] Chunking implemented
- [ ] Retrieval working
- [ ] LLM integrated
- [ ] Evaluation passing

## Related Workflow Bundles

- `ai-ml` - AI/ML development
- `ai-agent-development` - AI agents
- `database` - Vector databases

## Limitations
- Use this skill only when the task clearly matches the scope described above.
- Do not treat the output as a substitute for environment-specific validation, testing, or expert review.
- Stop and ask for clarification if required inputs, permissions, safety boundaries, or success criteria are missing.

© sickn33 · MIT · sickn33/agentic-awesome-skills

Похожие скиллы

Все скиллы по теме «ИИ и ML» →

Сначала — rag-implementation от других авторов.

rag-implementation Seth Hobson Скилл rag-implementation для Claude Code помогает собирать RAG-системы с векторным поиском и ответами LLM по внешним документам. Решает задачи Q&A и ассистентов по базе знаний. CX Codex +1 13 906установок rag-chroma Orchestra Research Скилл rag-chroma для Claude Code содержит шаблоны и примеры создания коллекций Chroma, фильтрации метаданных и семантического поиска. CX Codex +1 68установок RAG Implementer daffy0208 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. CX Codex +1 189установок langchain-rag langchain-ai Скилл langchain-rag даёт ИИ-агенту готовые шаблоны и код для сборки RAG-пайплайнов на LangChain в Python и TypeScript: от загрузки документов до векторного поиска. CX Codex +1 18 600установок rag giuseppe-trisciuoglio Скилл rag помогает развернуть пайплайн Retrieval-Augmented Generation: от нарезки документов и расчёта эмбеддингов до поиска в векторной базе и передачи контекста модели. CX Codex +1 3 900установок rag-architect borghei Скилл rag-architect для Claude Code и Cursor проектирует конвейеры RAG и подбирает параметры разбиения текста. Оценивает качество поиска по метрикам Recall@K и MRR на реальных запросах. CX Codex +1 137установок pinecone-rag официальный github Скилл pinecone-rag для GitHub Copilot строит RAG-системы и память агента на Pinecone. Выполняет семантический поиск по документам и хранит контекст между сессиями. CX Codex +1 24установок

Из того же набора187

Весь набор →
database-migrations-sql-migrations Скилл database-migrations-sql-migrations для безопасных миграций SQL-баз данных с нулевым простоем. Создаёт миграционные скрипты с планами откатов, проверками целостности данных и стратегиями для PostgreSQL, MySQL и SQL Server. CX Codex +1 1установок arm-cortex-expert Скилл arm-cortex-expert для Claude Code пишет прошивки и драйверы периферии для ARM Cortex-M: Teensy 4.x, STM32, nRF52 и SAMD. Формирует собираемый модуль, а не обрывок кода. CX Codex +1 ★ 50 109звёзд репо vexor Направляет агента при поиске по файлам с помощью семантической утилиты Vexor. Помогает искать по смыслу, когда обычного поиска по строкам недостаточно. CX Codex +1 ★ 50 109звёзд репо vector-database-engineer Скилл vector-database-engineer для Claude Code помогает выбрать векторную базу и настроить поиск по эмбеддингам. Решает задачи RAG, семантического поиска и рекомендаций с учётом recall и задержки. CX Codex +1 ★ 50 109звёзд репо llm-application-dev-ai-assistant Скилл llm-application-dev-ai-assistant для Claude Code проектирует разговорных ИИ-ассистентов: контекст диалога, границы интеграций и проверку ответов. Описывает работу с вызовами инструментов и памятью пользователя. CX Codex +1 ★ 50 109звёзд репо seo-content-auditor Скилл seo-content-auditor разбирает присланный текст по глубине, E-E-A-T и структуре, ставит оценки от 1 до 10 и выдаёт список правок. Пригодится перед публикацией статьи или лендинга. CX Codex +1 ★ 50 109звёзд репо pci-compliance Скилл pci-compliance разбирает, как платёжные данные ходят по проекту, и собирает доказательства контролей под scoped PCI-оценку. Сертификат не выдаёт. CX Codex +1 ★ 50 109звёзд репо security-compliance-compliance-check Скилл security-compliance-compliance-check помогает спланировать аудит ПО на соответствие GDPR, HIPAA, SOC2 и PCI-DSS, подготовить чеклисты контроля и шаблоны регламентов. CX Codex +1 ★ 50 109звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой