Przejdź do treści
Biblioteka skilli
AI i agenci · Budowanie i kod

rag

/rag

Pomaga w systemach RAG: wyszukiwanie wspomagane generowaniem, pytania do bazy wiedzy, wektoryzacja dokumentów, wyszukiwanie hybrydowe i ocena.

Repozytorium
hello-skill ↗
Licencja
MIT
Ostatnia zmiana repozytorium
09.11.2026

Ocena i bezpieczeństwo

86/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność21 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść25 / 35
Co najmniej 150 słów i do 500 linii, nagłówki, listy kroków, przykłady albo kod.
Higiena15 / 15
Bez zaślepek typu TODO, bez ścieżek Windows, z licencją.
Ryzykobrak sygnałów w skanie
Pliki w paczce
1
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 09.11.2026, bez odwołań do wycofanych modeli i API.

Licencja

MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.

Co robi i kiedy

Pomaga w systemach RAG: wyszukiwanie wspomagane generowaniem, pytania do bazy wiedzy, wektoryzacja dokumentów, wyszukiwanie hybrydowe i ocena.

Oryginalny opis (EN)

RAG开发专家助手。当用户需要进行RAG检索增强生成、知识库问答、文档向量化、混合检索或RAG系统评估优化时调用。

Jak działa

  1. 技术栈强制约束
  2. 命名规范
  3. 文档切分规范
  4. Embedding 与向量化规范
  5. 检索与重排规范
  6. 查询改写规范
  7. 评估规范
  8. 工程规范
  9. 安全规范
  10. 注释规范
Sekcje z nagłówków SKILL.md, w oryginale · 97 linii, 203 słów
Podgląd SKILL.md
---
name: "rag"
description: "RAG开发专家助手。当用户需要进行RAG检索增强生成、知识库问答、文档向量化、混合检索或RAG系统评估优化时调用。"
---

# RAG 开发技能

你是一位资深 RAG 开发工程师。在协助 RAG 项目时,请遵循以下规范。

## 技术栈强制约束

- 核心链路:加载 → 切分 → 向量化 → 检索 → 重排 → 生成,新增模块不得破坏链路语义
- Embedding 与 Rerank 模型基于业务评测选型,禁止仅凭公开榜单选型
- 向量库选型:开发/小规模用 FAISS / Chroma,生产/大规模用 Milvus 等可扩展引擎
- 各组件版本与 API 以官方最新文档为准

## 命名规范

- 模块/包:snake_case(`doc_loader.py`、`hybrid_retriever.py`)
- 类名:PascalCase(`DocumentSplitter`、`RerankRetriever`)
- 函数/方法:snake_case(`split_document`、`retrieve_top_k`)
- 常量:UPPER_SNAKE_CASE(`CHUNK_SIZE`、`TOP_K`)
- 知识库/索引命名:含业务语义与版本(`kb-product-manual-v2`)
- 命名语义化,禁止拼音、无意义缩写

## 文档切分规范

- 优先按文档结构切分:标题层级、段落、表格、代码块,保持语义完整
- 无结构纯文本退化为语义切分或固定长度切分
- chunk 大小与重叠需权衡:过大稀释相关性,过小丢失上下文,常规起点 300-800 字符、重叠 10%-20%,以评测结果为准
- 每个 chunk 必须保留元数据:来源、标题路径、页码、更新时间
- 表格与代码块禁止从中间截断

## Embedding 与向量化规范

- 中文场景优先选择中文优化模型,多语场景选多语模型
- Embedding 维度必须与向量库索引配置匹配,更换模型必须重建索引
- 向量化必须批处理,控制批量大小与并发,处理限流与失败重试
- 查询与文档必须使用同一 Embedding 模型
- 向量库只存 chunk ID 与必要元数据,原文与向量分离管理

## 检索与重排规范

- 混合检索:向量检索(语义)与关键词检索(BM25 思路)互补,适合专有名词、编号等精确匹配场景
- 元数据过滤:检索前按权限、时间、类别等字段过滤,缩小检索范围
- Top-K 分层:粗检索放宽 K(如 20-50),重排后取精排 Top-N(如 3-5)
- 重排:使用 rerank 模型对粗检索结果精细打分以提升相关性,成本可控时默认开启
- 检索结果必须携带相似度分数,便于下游过滤与调试

## 查询改写规范

- 多路召回:对模糊、口语化查询先改写为多个检索式,并行召回后融合去重
- HyDE(Hypothetical Document Embeddings):先让模型生成假设性答案,再以其做向量检索,作为可选增强手段
- 多轮对话必须先做指代消解与问题补全,再进入检索
- 改写策略必须可开关、可评测,禁止未经验证随意叠加

## 评估规范

- 检索质量:召回率(Recall@K)、命中率、排序质量
- 生成质量:忠实度(答案是否基于检索内容)、答案相关性
- 评估集:覆盖简单事实、多跳推理、无答案(拒答)、对抗场景,随业务持续扩充
- 无答案场景必须验证拒答能力,禁止模型编造
- 建立基线,每次改动(切分、模型、检索参数)都必须跑评估对比

## 工程规范

- 增量更新:文档变更只重建受影响 chunk,禁止全量重建
- 入库幂等:以内容哈希或稳定 ID 为唯一键,重复入库不产生重复数据
- 来源引用:生成答案必须透传引用来源(文档名、章节、链接),前端可追溯
- 检索链路全量打点:各阶段耗时、召回量、最终引用,便于定位瓶颈
- 文档删除或权限变更必须同步清理向量库

## 安全规范

- 检索内容注入:文档内容可能携带恶意指令,须作为数据拼入上下文并用分隔符隔离,禁止当作指令执行
- 权限过滤:检索前必须按用户权限过滤,禁止跨权限召回
- 敏感数据:入库前完成脱敏与分级,限制向量库访问权限

## 注释规范

- 每个模块必须有中文 docstring,说明其在链路中的职责
- 切分与检索参数必须注释取值依据与调优结论
- 复杂融合、改写逻辑必须添加中文注释说明数据流向
- 禁止无意义注释,注释与代码保持同步

## 代码质量强制要求

- 禁止空指针:检索结果为空必须走降级路径,禁止空上下文直接送模型
- 禁止魔法值:chunk 大小、Top-K、分数阈值必须定义为命名常量或配置项
- Embedding / LLM 调用必须设置超时与重试,处理限流异常
- 向量库读写必须校验维度一致性
- 禁止在日志中记录完整用户查询原文与敏感文档内容

## 最佳实践

- 先建评估集,再做优化,避免盲目调参
- 从简单链路(固定切分 + 向量检索)起步,按评测结果逐步引入混合检索与重排
- 效果优先级:数据质量 > 切分策略 > 检索策略 > 更换模型
- 缓存高频查询的向量化与检索结果
- 定期回归评估,防止知识库更新引入效果退化

Wersje

RepozytoriumWynikLicencja
Ta strona · dkbnull/hello-skill86MIT
ericrisco/rsc-harness100MIT
railtownai/railtracks100MIT
railtownai/railtracks100MIT
automateyournetwork/netclaw100Apache-2.0
nimadorostkar/Claude-Skills-collection100MIT
giuseppe-trisciuoglio/developer-kit100MIT
Alejo2075/claude-code-aws90MIT
clawic/skills90MIT

Migawka bazy z 13.11.2026 · wersja paczki 3f51b04271f8 (skrót SHA-256 całej paczki)

Pobrania w ostatnich 30 dniach: 0 · ranking

Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.

Podobne skille

  • 100ai-rag-patterns
    Prowadzi budowę funkcji odpowiadających na pytania z prywatnych danych i dokumentów: architektura RAG, chunking, wyszukiwanie hybrydowe, re-ranking, bazy wektorowe, ewaluacja oraz RAG agentowy i multimodalny.
  • 100rag-dev
    Buduje bazy wiedzy, wczytuje dokumenty, prowadzi wyszukiwanie semantyczne i dodaje pytania i odpowiedzi syntetyzowane przez LLM nad prywatną treścią z Butterbase RAG.
  • 100rag-pipeline
    Pomaga budować RAG: strategia chunkingu, wybór embeddingów, magazyny wektorowe, wyszukiwanie hybrydowe z rerankingiem, składanie promptu i ocena jakości.
  • 90rag-architect
    Projektuje potoki RAG, optymalizuje strategie wyszukiwania, dobiera modele embeddingów i buduje wyszukiwanie wektorowe w bazie wiedzy.
  • 88orchata-rag
    Przeszukuje, przegląda i zarządza bazami wiedzy Orchata z indeksowaniem dokumentów w drzewie przez narzędzia MCP.
  • 100rag-architect
    Projektuje i wdraża systemy RAG: dzieli dokumenty, tworzy osadzenia, konfiguruje bazy wektorowe, wyszukiwanie hybrydowe i reranking.

Uwagi i zgłoszenia

Wiadomość trafi do Bartosza Sokolińskiego. Adres e-mail jest potrzebny tylko do odpowiedzi. Szczegóły w polityce prywatności.