agentdb-vector-search

ユーザーが長い自然言語プロンプトに依存していると、繰り返し行う AI ワークフローは遅くなります。このスキルは、ルーティング、検証、チェーン化、ヘルプテキストを備えた簡潔なスラッシュコマンドを定義するのに役立ちます。

再利用可能なAIワークフローは、範囲が広くなりすぎてテストが難しくなりがちです。このスキルは、専門的なプロンプト、契約、検証計画を備えた焦点の明確なスキルの定義を支援します。

複雑なAI作業では、複数のスキル、モデル、品質チェックが必要になることがよくあります。このスキルは、ルーティング、サンドボックステスト、スウォーム連携、メモリを備えたカスケードの設計を支援します。

タスクに対して誤った Claude Code インターフェースを選ぶと、チームは時間を失います。このスキルは Web、CLI、またはハイブリッドな引き継ぎワークフローを推奨します。

チームには、RAG やナレッジベース向けに関連性の高いドキュメント検索が必要です。このスキルは、AgentDB のセットアップ、埋め込みの保存、インデックス作成、API 検索、関連性チューニングをガイドします。

手作業でのプレゼンテーション制作は、時間がかかり、一貫性を保ちにくい場合があります。このスキルは、Claude、Codex、またはClaude Codeが構造化されたPPTX生成と検証を進められるよう支援します。

RAGプロジェクトは、検索品質が弱い、または測定されていないために失敗することがよくあります。このスキルは、チャンク分割、埋め込み、ベクトル検索、ハイブリッド検索、再ランキング、評価の選択をガイドします。

チームは、検索システム向けの埋め込みモデル、チャンクサイズ、評価方法の選択に悩むことがよくあります。このスキルは、セマンティック検索とRAGアプリケーションのための実践的なテンプレートと意思決定の指針を提供します。

ベクトル検索プロジェクトでは、チームがインデックスやデータベースを採用する前に、明確なアーキテクチャ上の選択が必要です。このスキルは、本番システム向けの検索設計、埋め込み戦略、チューニングをガイドします。

本番環境向けMLシステムでは、一貫して設計、デプロイ、監視を行うことが困難です。このスキルは、MLOps、LLM統合、RAGアーキテクチャ、ローカルワークフローのスキャフォールドを支援します。

ベクトル検索のチューニングでは、メモリを無駄に消費したり、再現率の低下を見逃したりする可能性があります。このスキルは、本番インデックス向けの実践的なベンチマーク、パラメータ指針、監視チェックを提供します。

RAG プロジェクトでは、弱い、または裏付けのないソースを取り込んでしまい、回答品質を低下させることがあります。このスキルは、コンテンツがナレッジベースに入る前に実施する構造化された検証ワークフローを提供します。