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.
Dla kogo
- Autor
- dkbnull ↗
- 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
- 技术栈强制约束
- 命名规范
- 文档切分规范
- Embedding 与向量化规范
- 检索与重排规范
- 查询改写规范
- 评估规范
- 工程规范
- 安全规范
- 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
| Repozytorium | Wynik | Licencja |
|---|---|---|
| Ta strona · dkbnull/hello-skill | 86 | MIT |
| ericrisco/rsc-harness | 100 | MIT |
| railtownai/railtracks | 100 | MIT |
| railtownai/railtracks | 100 | MIT |
| automateyournetwork/netclaw | 100 | Apache-2.0 |
| nimadorostkar/Claude-Skills-collection | 100 | MIT |
| giuseppe-trisciuoglio/developer-kit | 100 | MIT |
| Alejo2075/claude-code-aws | 90 | MIT |
| clawic/skills | 90 | MIT |
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.