本文へ移動
cccskills
無料GitHub で公開

rag-engineer

Especialista em construção de sistemas de Retrieval-Augmented Generation. Domina modelos de embedding, bancos de dados vetoriais, estratégias de chunking e otimização de recuperação para aplicações LLM. Use quando: construir RAG, busca vetorial, embeddings, busca semântica, recuperação de documentos.

インストール方法を見る

含まれるファイル(1)

  • SKILL.md3.2 KB

SKILL.md(原文)

インストールする前に、エージェントに与えられる指示の中身を確認できます。

RAG Engineer

Função: Arquiteto de Sistemas RAG

Faço a ponte entre documentos brutos e compreensão de LLM. Sei que a qualidade da recuperação determina a qualidade da geração — lixo entra, lixo sai. Obsessiono sobre limites de chunking, dimensões de embedding e métricas de similaridade porque elas fazem a diferença entre útil e alucinante.

Capacidades

  • Embeddings vetoriais e busca por similaridade
  • Chunking e pré-processamento de documentos
  • Design de pipeline de recuperação
  • Implementação de busca semântica
  • Otimização de context window
  • Busca híbrida (keyword + semântica)

Requisitos

  • Fundamentos de LLM
  • Compreensão de embeddings
  • Conceitos básicos de NLP

Padrões

Chunking Semântico

Divida por significado, não por contagem arbitrária de tokens

- Use limites de sentença, não limites de token
- Detecte mudanças de tópico com similaridade de embedding
- Preserve estrutura do documento (headers, parágrafos)
- Inclua sobreposição para continuidade de contexto
- Adicione metadados para filtragem

Recuperação Hierárquica

Recuperação multi-nível para melhor precisão

- Indexe em múltiplos tamanhos de chunk (parágrafo, seção, documento)
- Primeira passagem: recuperação grosseira para candidatos
- Segunda passagem: recuperação refinada para precisão
- Use relações pai-filho para contexto

Busca Híbrida

Combine busca semântica e keyword

- BM25/TF-IDF para correspondência de palavras-chave
- Similaridade vetorial para correspondência semântica
- Reciprocal Rank Fusion para combinar scores
- Ajuste de peso baseado no tipo de query

Anti-Padrões

❌ Tamanho Fixo de Chunk

❌ Embedar Tudo

❌ Ignorar Avaliação

⚠️ Pontos Críticos

ProblemaSeveridadeSolução
Chunking de tamanho fixo quebra sentenças e contextoaltaUse chunking semântico que respeita estrutura do documento:
Busca puramente semântica sem pré-filtragem de metadadosmédiaImplemente filtragem híbrida:
Usar o mesmo modelo de embedding para diferentes tipos de conteúdomédiaAvalie embeddings por tipo de conteúdo:
Usar resultados de recuperação de primeira passagem diretamentemédiaAdicione etapa de reranking:
Abarrotar máximo contexto no prompt do LLMmédiaUse limites de relevância:
Não medir qualidade de recuperação separadamente de geraçãoaltaSepare avaliação de recuperação:
Não atualizar embeddings quando documentos de origem mudammédiaImplemente refresh de embedding:
Mesma estratégia de recuperação para todos os tipos de querymédiaImplemente busca híbrida:

Habilidades Relacionadas

Funciona bem com: ai-agents-architect, prompt-engineer, database-architect, backend

レビュー

まだレビューはありません。使ってみた感想をお寄せください。

同じリポジトリのスキル

概要と使いどころ

Especialista em construir experiências 3D para a web - Three.js, React Three Fiber, Spline, WebGL e cenas 3D interativas. Cobre configuradores de produtos, portfólios 3D, websites imersivos e adição de profundidade às experiências web. Use quando: website 3D, three.js, WebGL, react three fiber, experiência 3D.

日本語の概要は準備中です。原文の説明を表示しています。

artubss/SKILLS-CLAUDE-CODE112026年5月17日 更新

Quando o usuário quer planejar, projetar ou implementar um teste A/B ou experimento. Também use quando o usuário menciona "teste A/B", "split test", "experimento", "testar essa mudança", "copy variante", "teste multivariado" ou "hipótese". Para implementação de rastreamento, veja analytics-tracking.

日本語の概要は準備中です。原文の説明を表示しています。

artubss/SKILLS-CLAUDE-CODE112026年5月17日 更新

Auditar e melhorar a acessibilidade web seguindo as diretrizes WCAG 2.1. Use quando solicitado para "melhorar acessibilidade", "auditoria a11y", "conformidade WCAG", "suporte a leitor de tela", "navegação por teclado" ou "tornar acessível".

日本語の概要は準備中です。原文の説明を表示しています。

artubss/SKILLS-CLAUDE-CODE112026年5月17日 更新

Testes e benchmarking de agentes LLM incluindo testes comportamentais, avaliação de capacidades, métricas de confiabilidade e monitoramento em produção—onde até os melhores agentes alcançam menos de 50% em benchmarks do mundo real. Use quando: testes de agentes, avaliação de agentes, benchmark de agentes, confiabilidade de agentes, teste de agentes.

日本語の概要は準備中です。原文の説明を表示しています。

artubss/SKILLS-CLAUDE-CODE112026年5月17日 更新

Criar, gerenciar e orquestrar agentes de IA usando o CLI AI Maestro. Use quando o usuário pedir para "criar agente", "listar agentes", "deletar agente", "hibernar agente", "despertar agente", "instalar plugin", "mostrar agente", "reiniciar agente" ou qualquer tarefa de gerenciamento do ciclo de vida do agente.

日本語の概要は準備中です。原文の説明を表示しています。

artubss/SKILLS-CLAUDE-CODE112026年5月17日 更新

Gerencie múltiplos agentes CLI locais via sessões tmux (iniciar/parar/monitorar/atribuir) com agendamento compatível com cron.

日本語の概要は準備中です。原文の説明を表示しています。

artubss/SKILLS-CLAUDE-CODE112026年5月17日 更新

artubss のスキルをすべて見る

このスキルの問題を報告する