jeffallan/rag-architect

rag-architect は何をしますか？

ドキュメントのチャンク分割、埋め込み生成、ベクトルストアの設定、ハイブリッド検索パイプラインの構築、リランキングの適用、検索品質の評価を通じて、本番品質のRAGシステムを設計・実装します。RAGシステム、ベクトルデータベース、またはセマンティック検索、ドキュメント検索、コンテキスト拡張、類似性検索、埋め込みベースのインデックス作成を必要とする知識基盤型AIアプリケーションを構築する際に使用します。

概要

このスキルは、エンドツーエンドのRAG（検索拡張生成）パイプラインを構築するための包括的なワークフローを提供します。主な機能は以下の通りです：

• ドキュメントチャンク分割: 文書を意味的に一貫したチャンクに分割します（例：固定サイズ、再帰的、セマンティックチャンキング）。
• 埋め込み生成: 状態-of-the-artのモデル（例：text-embedding-3-small、BAAI/bge-small-en-v1.5）を使用してベクトル埋め込みを生成します。
• ベクトルデータベース設定: Pinecone、Chroma、Weaviate、Milvusなどのベクトルデータベースを設定し、インデックスを作成します。
• ハイブリッド検索パイプライン: キーワード検索（BM25）とベクトル検索を組み合わせ、再現性を向上させます。
• リランキング: クロスエンコーダモデル（例：cross-encoder/ms-marco-MiniLM-L-6-v2）を適用して、検索結果の関連性を向上させます。
• 評価: 保留されたクエリセットに対してprecision、recall、MRR（Mean Reciprocal Rank）、NDCG（Normalized Discounted Cumulative Gain）などの指標を使用して検索品質を評価します。

使用方法

このスキルは、任意のAIエージェント（例：Claude Code、Cursor、Codex）内で、以下のように呼び出すことができます：

rag-architect を使って、<説明> を実装してください。

または、以下のような具体的なタスクを指定します：

rag-architect を使って、このドキュメントセットに対してハイブリッド検索パイプラインを構築し、評価してください。

技術スタック

• 埋め込みモデル: OpenAI text-embedding-3-small、HuggingFace sentence-transformers
• ベクトルデータベース: Pinecone、Chroma、Weaviate、Milvus、Qdrant
• リランキング: Cross-encoder ms-marco-MiniLM-L-6-v2
• 評価: ragas、beir、カスタムメトリクス
• 言語: Python、TypeScript

例

ユーザーが「製品マニュアルのRAGシステムを構築して」と依頼した場合、エージェントは以下の手順を実行します：

1. マニュアルを読み込み、Markdownヘッダーでチャンク分割する。
2. 各チャンクをベクトル埋め込みに変換する。
3. ベクトルストア（例：Chroma）を作成し、埋め込みを挿入する。
4. BM25+ベクトル検索のハイブリッドパイプラインを構築する。
5. 交差検証用のテストクエリセットに対してパイプラインを評価する。
6. 結果を要約し、さらなる最適化を提案する。

注意事項

• パフォーマンスを最適化するために、チャンクサイズとオーバーラップを調整してください。
• 適切な埋め込みモデルを選択することは、検索品質に大きく影響します。
• ハイブリッド検索は、特に用語の不一致がある場合に再現性を向上させます。
• 関連性を最大化するために、リランキングを検索パイプラインの最終ステップとして使用してください。