RAG システムの実装には、埋め込み、ベクトルデータベース、検索パイプラインなど複数のコンポーネントを連携させる必要があります。このワークフローは、本番対応の RAG アプリケーションを構築するための構造化されたアプローチを提供します。
スキルZIPをダウンロード
Claudeでアップロード
設定 → 機能 → スキル → スキルをアップロードへ移動
オンにして利用開始
テストする
「rag-implementation」を使用しています。 RAG システムの構築を始めたい
期待される結果:
- フェーズ 1: 要件分析 - ユースケース（ドキュメント Q&A、意味検索など）を定義し、データソースを特定し、精度要件とレイテンシ目標を設定する
- フェーズ 2: 埋め込み選択 - 埋め込みモデルを評価し、ドメイン関連性をテストし、埋め込み品質を測定し、コストとレイテンシのトレードオフを考慮する
- フェーズ 3: ベクトルデータベース設定 - ベクトルデータベース（Pinecone、Weaviate、Chroma）を選択し、スキーマを設計し、インデックスを設定し、接続をセットアップする
「rag-implementation」を使用しています。 どの埋め込みモデルを使用すべきですか？
期待される結果:
- これらの要素を考慮してください：ドメイン関連性（あなたのデータでテスト）、埋め込み次元要件、レイテンシ制約、1K トークンあたりのコスト
- 一般的なオプション：一般用途には OpenAI text-embedding-ada-002、多言語には Cohere、セルフホストには sentence-transformers
- 推奨：検索精度を決め手とする指標として、実際のデータで上位 3 つの候補をテストする
セキュリティ監査
安全Static analysis flagged 45 potential issues (external_commands, weak crypto, system reconnaissance). Manual evaluation confirms these are false positives. The skill contains only markdown documentation with code block examples referencing other skills. No actual shell commands, cryptographic algorithms, or system reconnaissance code exists. This is a documentation-only skill providing RAG implementation workflow guidance.
低リスクの問題 (3)
品質スコア
作れるもの
ドキュメント Q&A システムの構築
関連ドキュメントを取得し、LLM を使用して回答を生成するナレッジベース Q&A アプリケーションを作成します。
意味検索の実装
埋め込みとベクトル類似性を使用して、ドキュメントコレクション上の意味検索機能を設定します。
RAG パイプラインの最適化
体系的な検索最適化を通じて、既存の RAG システムのパフォーマンスを評価および改善します。
これらのプロンプトを試す
RAG システムの構築を始めたいです。@rag-implementation を使用して、初期フェーズをガイドしてください。
RAG システム用の埋め込みモデルを選択する必要があります。RAG 実装ワークフローのフェーズ 2 を説明してください。
RAG アプリケーション用にベクトルデータベースを設定してください。フェーズ 3 のベクトルデータベース設定ワークフローに従ってください。
RAG システムの品質評価を支援してください。フェーズ 8 の評価ワークフローを使用して、指標とテストアプローチを定義します。
ベストプラクティス
- 技術実装に飛び込む前に、フェーズ 1 の要件分析から開始する
- LLM と統合する前に、代表的なクエリで検索品質をテストする
- フェーズ 8 の評価指標を使用して、各フェーズの完了を検証する
回避
- 要件分析をスキップして、いきなり埋め込み選択に進む
- ドキュメント構造やクエリパターンを考慮せずにデフォルトのチャンキングを使用する
- 単純なテストで検索品質を検証する前に LLM を統合する