rag-implementation
Crie um pipeline RAG fundamentado
Você precisa de respostas precisas de documentos privados e dados mutáveis. Esta habilidade explica os componentes do RAG e os padrões de recuperação para fundamentar respostas com fontes.
Baixar o ZIP da skill
Upload no Claude
Vá em Configurações → Capacidades → Skills → Upload skill
Ative e comece a usar
Testar
A utilizar "rag-implementation". Crie um outline de um pipeline RAG para políticas internas com citações.
Resultado esperado:
- Carregue documentos de política de uma pasta controlada e divida em blocos de 800 tokens
- Crie embeddings usando text-embedding-ada-002 e armazene-os em um banco de dados vetorial
- Use recuperação híbrida combinando BM25 e busca semântica, depois reclassifique os 20 principais resultados
- Responda com citações que referenciem arquivos de origem e números de seção
A utilizar "rag-implementation". Como escolher o tamanho do fragmento para documentação técnica?
Resultado esperado:
- Use 500-1000 tokens com 10-20% de sobreposição para a maioria da documentação
- Fragmentos menores (400 tokens) melhoram a precisão de recuperação para consultas específicas
- Fragmentos maiores (1500+ tokens) funcionam melhor para conteúdo narrativo que requer contexto
- Adicione metadados como arquivo de origem e títulos de seção para permitir filtragem
A utilizar "rag-implementation". Qual banco de dados vetorial devo usar para uma equipe pequena?
Resultado esperado:
- Chroma para testes locais e protótipos - configuração simples, sem infraestrutura
- Pinecone para serviço gerenciado com escalabilidade automática e operações mínimas
- Weaviate para necessidades de busca híbrida combinando vetor e correspondência de palavras-chave
- Considere FAISS para implantação completamente offline sem rede necessária
Auditoria de Segurança
Baixo RiscoThis is a documentation-only skill containing Markdown guides with Python code examples. No executable scripts, network calls, or file access capabilities exist in the skill itself. All static findings are false positives from the scanner misinterpreting documentation patterns as security risks. Code examples demonstrate typical RAG patterns using LangChain APIs. No obfuscation, persistence mechanisms, or malicious patterns detected.
Fatores de risco
🌐 Acesso à rede (3)
⚙️ Comandos externos (37)
🔑 Variáveis de ambiente (1)
Pontuação de qualidade
O Que Você Pode Construir
Projete um chatbot RAG
Planeje um pipeline de recuperação que fundamenta respostas com citações da documentação interna.
Avalie a qualidade da recuperação
Defina métricas e casos de teste para medir precisão, fundamentação e qualidade de recuperação.
Selecione armazenamento vetorial
Compare opções de banco de dados vetoriais e escolha uma abordagem que se encaixe nas necessidades de escala e implantação.
Tente Estes Prompts
Crie um plano RAG simples para um aplicativo de perguntas e respostas sobre documentos. Inclua ingestão de dados, fragmentação, embeddings, escolha de armazenamento vetorial e cadeia de recuperação.
Projete uma estratégia de recuperação híbrida usando denso e BM25. Especifique valores k, pesos e quando reclassificar.
Proponha uma abordagem de reclassificação com codificadores cruzados ou MMR. Explique o tamanho dos candidatos e critérios de seleção.
Elabore um plano de avaliação para um sistema RAG. Inclua precisão, qualidade de recuperação, métricas de fundamentação e estrutura de casos de teste.
Melhores Práticas
- Use metadados para filtragem e depuração.
- Combine busca híbrida com reclassificação para os principais resultados.
- Acompanhe métricas de recuperação durante a avaliação.
Evitar
- Indexar documentos sem sobreposição de fragmentos.
- Pular citações em respostas voltadas para o usuário.
- Usar apenas recuperação densa para consultas com muitas palavras-chave.
Perguntas Frequentes
Quais plataformas isso suporta
Quais são os principais limites
Como integrar isso ao meu aplicativo
Ele acessa meus dados
E se a qualidade da recuperação for baixa
Como isso é diferente de busca básica
Detalhes do Desenvolvedor
Autor
wshobsonLicença
MIT
Repositório
https://github.com/wshobson/agents/tree/main/plugins/llm-application-dev/skills/rag-implementationReferência
main
Estrutura de arquivos
📄 SKILL.md