RAG 시스템 구현은 임베딩, 벡터 데이터베이스, 검색 파이프라인을 포함한 여러 구성 요소를 조정해야 합니다. 이 워크플로는 프로덕션 준비가 된 RAG 애플리케이션을 구축하기 위한 구조화된 접근 방식을 제공합니다.
스킬 ZIP 다운로드
Claude에서 업로드
설정 → 기능 → 스킬 → 스킬 업로드로 이동
토글을 켜고 사용 시작
테스트해 보기
"rag-implementation" 사용 중입니다. RAG 시스템 구축을 시작하고 싶습니다
예상 결과:
- 1 단계: 요구사항 분석 - 사용 사례 정의 (문서 Q&A, 시맨틱 검색 등), 데이터 소스 식별, 정확도 요구사항 및 지연 시간 목표 설정
- 2 단계: 임베딩 선택 - 임베딩 모델 평가, 도메인 관련성 테스트, 임베딩 품질 측정, 비용과 지연 시간의 절충 고려
- 3 단계: 벡터 데이터베이스 설정 - 벡터 데이터베이스 선택 (Pinecone, Weaviate, Chroma), 스키마 설계, 인덱스 설정, 연결 구성
"rag-implementation" 사용 중입니다. 어떤 임베딩 모델을 사용해야 하나요?
예상 결과:
- 다음 요소를 고려하세요: 도메인 관련성 (실제 데이터로 테스트), 임베딩 차원 요구사항, 지연 시간 제약, 1K 토큰당 비용
- 일반적인 옵션: 범용 목적의 OpenAI text-embedding-ada-002, 다국어용 Cohere, 자체 호스팅용 sentence-transformers
- 권장사항: 검색 정확도를 결정 지표로 사용하여 실제 데이터로 상위 3 개 후보 테스트
보안 감사
안전Static 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.
낮은 위험 문제 (3)
품질 점수
만들 수 있는 것
문서 Q&A 시스템 구축
관련 문서를 검색하고 LLM 을 사용하여 답변을 생성하는 지식 기반 Q&A 애플리케이션을 만듭니다.
시맨틱 검색 구현
임베딩과 벡터 유사성을 사용하여 문서 컬렉션에 대한 시맨틱 검색 기능을 설정합니다.
RAG 파이프라인 최적화
체계적인 검색 최적화를 통해 기존 RAG 시스템 성능을 평가하고 개선합니다.
이 프롬프트를 사용해 보세요
RAG 시스템 구축을 시작하고 싶습니다. @rag-implementation 을 사용하여 초기 단계를 안내해 주세요.
RAG 시스템에 사용할 임베딩 모델을 선택해야 합니다. RAG 구현 워크플로의 2 단계를 따라 진행해 주세요.
RAG 애플리케이션을 위한 벡터 데이터베이스를 설정해 주세요. 3 단계 벡터 데이터베이스 설정 워크플로를 따르세요.
RAG 시스템 품질을 평가하는 것을 도와주세요. 8 단계 평가 워크플로를 사용하여 지표와 테스트 접근 방식을 정의하세요.
모범 사례
- 기술 구현에 뛰어들기 전에 1 단계 요구사항 분석부터 시작하세요
- LLM 과 통합하기 전에 대표적인 쿼리로 검색 품질을 테스트하세요
- 8 단계의 평가 지표를 사용하여 각 단계 완료를 검증하세요
피하기
- 요구사항 분석을 건너뛰고 바로 임베딩 선택으로 넘어가는 것
- 문서 구조와 쿼리 패턴을 고려하지 않고 기본 청킹을 사용하는 것
- 간단한 테스트로 검색 품질을 확인하기 전에 LLM 을 통합하는 것