返回技能目录
人工审校文档处理

技能研究档案

rag-architect

来源声明

Designs and implements production-grade RAG systems by chunking documents, generating embeddings, configuring vector stores, building hybrid search pipelines, applying reranking, and evaluating retrieval quality. Use when building RAG systems, vector databases, or knowledge-grounded AI applications requiring semantic search, document retrieval, context augmentation, similarity search, or embedding-based indexing.

保留作者的英文原始描述。它表达设计意图,不代表已验证的实际效果。

Designs and implements production-grade RAG systems by chunking documents, generating embeddings, configuring vector stores, building hybrid search pipelines, applying reranking, and evaluating retrieval quality. Use when building RAG systems, vector databases, or knowledge-grounded AI applications requiring semantic search, document retrieval, context augmentation, similarity search, or embedding-based indexing.

documentsreferences

研究摘要

人工审校

Skill Atlas editorial review · editorial-preview-1.0.0

端到端设计检索增强生成系统:分块、向量嵌入、向量库、混合检索、重排序与评测。

审阅范围

对所收集的 SKILL.md 及辅助文本/代码进行确定性静态分析。机器辅助候选和发现等待人工编辑复核;不评估动态行为或效果。

可观察能力

  • 在选择向量库前先分析检索需求、延迟、精度和规模。
  • 设计带重叠和元数据增强的分块策略。
  • 构建包含嵌入、向量加关键词混合检索和重排序的检索流水线。
  • 用 precision@k、recall@k 等指标规划评测,并设定通过阈值。

限制与范围

  • 示例代码使用特定服务(OpenAI、Qdrant、Cohere),未必符合你的技术栈。
  • context_precision >= 0.7 等阈值只是起点,未针对你的数据验证。
  • 本次审阅未执行示例,也未核实库的 API。

适用读者

  • 构建知识增强型 AI 应用的工程师
  • 对比向量数据库的架构师
  • 希望补充检索评测的团队

技能包含哪些内容

文件清单来自记录提交中的采集源码。路径与大小属于结构观察,不代表质量评价。

个文件
6
Markdown 文件
6
个脚本
0
个引用
5
大小
106.4 KB
结构复杂度
中

文件清单

路径类型字节
skills/rag-architect/references/chunking-strategies.md引用24.5 KB
skills/rag-architect/references/embedding-models.md引用15 KB
skills/rag-architect/references/rag-evaluation.md引用23.7 KB
skills/rag-architect/references/retrieval-optimization.md引用21.4 KB
skills/rag-architect/references/vector-databases.md引用13.9 KB
skills/rag-architect/SKILL.md指令7.9 KB

SKILL.md 前置元数据

{
  "name": "rag-architect",
  "description": "Designs and implements production-grade RAG systems by chunking documents, generating embeddings, configuring vector stores, building hybrid search pipelines, applying reranking, and evaluating retrieval quality. Use when building RAG systems, vector databases, or knowledge-grounded AI applications requiring semantic search, document retrieval, context augmentation, similarity search, or embedding-based indexing.",
  "license": "MIT",
  "metadata": {
    "author": "https://github.com/Jeffallan",
    "company": "https://synergetic.solutions",
    "version": "1.1.0",
    "domain": "data-ml",
    "triggers": "RAG, retrieval-augmented generation, vector search, embeddings, semantic search, vector database, document retrieval, knowledge base, context retrieval, similarity search",
    "role": "architect",
    "scope": "system-design",
    "output-format": "architecture",
    "related-skills": "python-pro, database-optimizer, monitoring-expert, api-designer"
  }
}

对运行顺序的一种解读

此工作流根据源码材料重建表面顺序。除非明确记录受控评估,否则它属于暂定解读,而非真实运行轨迹。

  1. 01
    输入

    需求分析

    明确检索需求、延迟约束、精度要求和规模。

  2. 02
    操作

    构建检索流水线

    选择嵌入模型,加入查询转换、混合检索和重排序。

  3. 03
    判断

    逐步校验

    每一步先按检查点校验,再进入下一步。

  4. 04
    输出

    交付架构方案

    提供架构图、向量库权衡、分块依据、检索流水线设计和评测计划。

潜在风险面

静态发现用于提示安装前需要检查的位置,不能证明一项技能安全、恶意或有效。

建议重点关注

收集的文本中有 144 项确定性词法发现需要复核。发现可能仅位于文档中,不证明已执行或可被利用;仅含二进制的文件未扫描。

网络访问已观察到
文件写入已观察到
凭据使用已观察到
提示

文本描述或实现了文件修改

130 次命中

此行包含可能的文件写入或重定向操作。应检查目标路径和覆盖行为;静态审查没有写入任何文件。 该规则在收集文本中命中 130 处;此处列出 3 个代表位置。命中文本可能只是文档,分析器没有执行它。

高

文本引用动态命令执行

此行出现 shell、动态求值或进程执行原语。应检查参数和输入控制;源代码中出现这些语法并不证明命令已运行。 该规则在收集文本中命中 1 处;此处列出 1 个代表位置。命中文本可能只是文档,分析器没有执行它。

高

文本引用凭据或密钥材料

7 次命中

此行疑似凭据字面值,或读取敏感环境变量。请勿暴露其内容;应核实它是占位符、所需密钥,还是误提交的敏感材料。 该规则在收集文本中命中 7 处;此处列出 3 个代表位置。命中文本可能只是文档,分析器没有执行它。

中

文本提及网络访问

6 次命中

此源文件行包含 URL 或网络客户端。应检查目标地址、发送的数据和信任边界;静态文本无法证明实际发生了网络活动。 该规则在收集文本中命中 6 处;此处列出 3 个代表位置。命中文本可能只是文档,分析器没有执行它。

编辑安全提示

检查提供商 API 密钥的处理方式;Skill 要求从环境变量读取,示例代码会调用外部嵌入与重排序服务。

上下文可能消耗在哪里

发现、激活与资源层具有不同含义。只有使用指定官方方法并记录模型的运行时,才显示精确数值。

精确 token 计数不可用

在管线使用明确模型执行官方精确计数之前,包括文件清单在内的所有 token 值均为 null。

未使用要求的官方方法记录 token 测量。本档案不会用字符数、文件大小或估计值替代。

受控评估

没有受控评估

该技能仅具备以上标明的证据。不声称任何任务成功率、token 效率、延迟或质量优势。

尚未测试

在源码可见的情况下使用

安装命令
git clone https://github.com/Jeffallan/claude-skills.git cd claude-skills # 将该 Skill 目录复制到以下任一位置: # ~/.claude/skills/rag-architect # .claude/skills/rag-architect
  1. 打开固定版本源码:https://github.com/Jeffallan/claude-skills/blob/67c1961b180dc92cf08983344627109e983e8f51/skills/rag-architect/SKILL.md。
  2. 审阅许可证、前置条件和所有捆绑资源。
  3. 将 Skill 安装到个人或项目级 Claude Code skills 目录。
  4. 重启或刷新 Claude Code,使该 Skill 可被发现。
验证安装

确认目标位置能够发现 rag-architect 的 SKILL.md,然后让 Claude Code 在一个小型测试任务中使用它。

前置条件

  • 示例代码使用特定服务(OpenAI、Qdrant、Cohere),未必符合你的技术栈。
  • context_precision >= 0.7 等阈值只是起点,未针对你的数据验证。
  • 本次审阅未执行示例,也未核实库的 API。

示例提示词

代表性任务

Use the rag-architect skill to design retrieval for our 40k-page internal wiki with per-tenant access. Propose chunking, a vector store, hybrid search with reranking, and an evaluation plan with pass/fail thresholds.

使用前检查

Read the rag-architect skill files at https://github.com/Jeffallan/claude-skills/blob/67c1961b180dc92cf08983344627109e983e8f51/skills/rag-architect/SKILL.md. Explain its workflow, required tools, permissions and the main risks before I decide whether to install it.

附上限制条件的判断

优势

  • 把检索指标作为接入 LLM 前的关卡。
  • 要求在领域数据上评估分块大小和嵌入模型。

注意事项

  • 混合检索示例为说明性的简化代码。
  • 需要外部 API 密钥和服务。
研究结论

一份实用的 RAG 架构清单,最好配合你自己的数据和评测集使用。

从结构上保持可追溯

档案是对公开工件的限时阅读,而非背书。请通过来源链接检查确切的上游材料。

Jeffallanclaude-skillsskills/rag-architect
来源类型
社区
提交
67c1961b180dc92cf08983344627109e983e8f51
采集时间
2026年11月20日
最近核查
2026年11月20日
上游许可证
MIT
仓库星标
12,464
内容依据

仅对提供的文件进行确定性词法解析、YAML frontmatter 校验、文件清单、来源描述的工作流程提取和启发式暂定分类。由机器生成;无 LLM、执行、动态测试或人工编辑批准。