Przejdź do treści
Biblioteka skilli
AI i agenci · Nauka i wyjaśnianie

rag-development

/rag-development

Zbiera wiedzę potrzebną do budowy, optymalizacji i audytu produkcyjnych systemów pytań i odpowiedzi RAG, w tym Graph RAG, CRAG, Self-RAG i Agentic RAG.

Licencja
MIT
Ostatnia zmiana repozytorium
27.10.2026

Ocena i bezpieczeństwo

100/ 100Klasa: dobry
Format25 / 25
Frontmatter z nazwą i opisem, poprawna nazwa, opis do 1024 znaków, nazwa zgodna z folderem.
Odkrywalność25 / 25
Opis mówi, kiedy użyć skilla, ma sensowną długość i jest w 3. osobie.
Treść35 / 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
8
Skrypty
0
Komentarze HTML
0
Adresy URL w SKILL.md
0
Przestarzałość

Brak sygnałów. Repozytorium zmienione 27.10.2026, bez odwołań do wycofanych modeli i API.

Licencja

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

Co robi i kiedy

Zbiera wiedzę potrzebną do budowy, optymalizacji i audytu produkcyjnych systemów pytań i odpowiedzi RAG, w tym Graph RAG, CRAG, Self-RAG i Agentic RAG.

Oryginalny opis (EN)

Knowledge base for production question-answering pipelines. TRIGGER WHEN: building, optimizing, or auditing RAG systems, including Graph RAG, CRAG, Self-RAG, and Agentic RAG.

Jak działa

  1. When to Use
  2. Quick Start Recommendation
  3. Reference Materials
  4. Pipeline Architecture
  5. Key Decision Points
Sekcje z nagłówków SKILL.md, w oryginale · 66 linii, 416 słów
Podgląd SKILL.md
---
name: rag-development
description: >
  Knowledge base for production question-answering pipelines.
  TRIGGER WHEN: building, optimizing, or auditing RAG systems, including Graph RAG, CRAG, Self-RAG,
  and Agentic RAG.
---

# RAG Development

Comprehensive knowledge base for building production-grade Retrieval-Augmented Generation systems.

## When to Use

- Building a new RAG pipeline from scratch
- Choosing chunking strategy, embedding model, or vector database
- Implementing hybrid search, re-ranking, or contextual retrieval
- Evaluating RAG quality with RAGAS or DeepEval
- Optimizing production RAG for cost, latency, or accuracy
- Designing multi-tenant RAG with access control
- Upgrading from naive RAG to advanced patterns

## Quick Start Recommendation

For 80% of use cases, start with:
1. **Chunking**: Recursive character splitting at 512 tokens, 10-15% overlap
2. **Embedding**: OpenAI `text-embedding-3-small` (best value) or Cohere `embed-v4` (best accuracy)
3. **Vector DB**: Qdrant with scalar INT8 quantization
4. **Retrieval**: Hybrid search (dense + sparse + RRF)
5. **Evaluation**: RAGAS metrics from day one

Then upgrade incrementally based on measured failures:
- Keyword misses -> add sparse vectors (SPLADE/BM25)
- Ambiguous chunks -> add contextual retrieval (Anthropic pattern)
- Irrelevant results -> add cross-encoder re-ranking
- Multi-hop failures -> upgrade to agentic RAG

## Reference Materials

Detailed reference documents are in the `references/` directory:

- `chunking-strategies.md` -- all chunking approaches with code, benchmarks, and selection guide
- `embedding-models.md` -- model comparison, Matryoshka embeddings, fine-tuning, sparse/dense/multi-vector
- `retrieval-patterns.md` -- hybrid search, HyDE, contextual retrieval, re-ranking, MMR
- `advanced-rag-patterns.md` -- Graph RAG, RAPTOR, CRAG, Self-RAG, Agentic RAG, multi-modal RAG
- `vector-databases.md` -- Qdrant deep dive, database comparison, scaling strategies
- `production-guide.md` -- evaluation, observability, caching, security, cost optimization

## Pipeline Architecture

```
Document Ingestion:
  Raw Docs -> Preprocessing (Unstructured.io) -> Chunking -> Context Enrichment -> Embedding -> Vector DB

Query Pipeline:
  User Query -> Query Transform -> Encode (Dense + Sparse) -> Hybrid Search -> Re-rank -> LLM Generation

Evaluation Loop:
  Ground Truth + Predictions -> RAGAS/DeepEval -> Faithfulness, Relevancy, Precision, Recall
```

## Key Decision Points

| Decision | Default | Upgrade When |
|----------|---------|-------------|
| Chunking | Recursive 512 tok | Structured docs -> markdown-aware; cross-refs -> late chunking |
| Embedding | text-embedding-3-small | Need accuracy -> embed-v4; self-hosted -> NV-Embed-v2 |
| Vector DB | Qdrant + INT8 | Already on Postgres -> pgvector; need managed -> Pinecone |
| Search | Dense only | Keyword misses -> add sparse hybrid; poor diversity -> add MMR |
| Re-ranking | None | Top-k results contain irrelevant items -> add Cohere Rerank |
| Caching | None | Production latency/cost concerns -> semantic cache |
| Evaluation | Manual spot checks | Any production use -> RAGAS automated metrics |
Pliki w paczce (8)
  • SKILL.md 3 KB
  • SKILL.toml 1 KB
  • references/advanced-rag-patterns.md 6 KB
  • references/chunking-strategies.md 4 KB
  • references/embedding-models.md 9 KB
  • references/production-guide.md 6 KB
  • references/retrieval-patterns.md 6 KB
  • references/vector-databases.md 3 KB

Wersje

RepozytoriumWynikLicencja
Ta strona · acaprino/alfio-claude-plugins100MIT
acaprino/alfio-claude-plugins100MIT
acaprino/alfio-claude-plugins100MIT
acaprino/alfio-claude-plugins100MIT
acaprino/alfio-claude-plugins100MIT
acaprino/alfio-claude-plugins100MIT

Identyczna treść występuje jeszcze w 1 innych folderach na GitHubie. Tu pokazujemy jedną, najlepiej ocenioną kopię.

Migawka bazy z 13.11.2026 · wersja paczki 195b7e0a169d (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

  • 100agentic-rag
    Opisuje wzorce RAG sterowane przez agenta: Self-RAG, Corrective RAG z fallbackiem na web, Adaptive RAG z klasyfikatorem routingu, ReAct z narzędziem retrieval, multi-hop i stany LangGraph.
  • 100corrective-rag
    Wdraża Corrective RAG i Self-RAG, czyli niezawodne wyszukiwanie z samonaprawą, ocenia trafność dokumentów i dodaje samokorektę do potoków RAG.
  • 98langgraph-rag
    Buduje maszyny stanów LangGraph dla RAG i przepływów agentowych: typowany stan, warunkowe krawędzie, checkpointing, przerwania human-in-the-loop, nadzorca wielu agentów oraz Self-RAG i CRAG.
  • 90agentic-rag
    Pomaga budować samokorygujące się systemy wyszukiwania dla agentów AI: Corrective RAG, Self-RAG, dekompozycja zapytań, reranking, halucynacje i uziemienie.
  • 95production-rag-checklist
    Wdraża systemy RAG na produkcję: architekturę, monitoring, skalowanie wyszukiwania i infrastrukturę operacyjną.
  • 100agentic-ai-dev
    Dostarcza wzorce i szablony produkcyjnych agentów AI w Pythonie 3.14 z LangChain, LangGraph i FastAPI: agenci, systemy RAG, grafy przepływu, narzędzia, pamięć i testy.

Uwagi i zgłoszenia

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