claude-rag-skills

Ailog RAG Skills 套件為開發人員與 AI 工程師提供了一套構建檢索增強生成 (RAG) 系統的綜合工具集。它透過提供審核現有代碼庫、評估檢索品質、優化切分策略及引導新專案的專用指令，簡化了 RAG 開發的全生命週期。這些技能專為融入 Claude Code 工作流而設計，協助開發者識別常見的反模式，如切分效率低、嵌入模型選擇不當或缺乏混合檢索等問題，確保系統達到最佳的準確度與效能。

• 執行深入的 RAG 審核，以檢測檢索管線、向量資料庫配置（如 Qdrant、Pinecone、Chroma）及嵌入策略中的潛在問題。

• 使用業界標準指標進行 RAG 效能評估，包括 Recall@K、Precision@K、平均倒數排名 (MRR) 及 NDCG。

• 為 LangChain、LlamaIndex 或原生 Python 實作等框架產生生產級的 RAG 樣板代碼。

• 透過專家級的分塊顧問優化文檔輸入，根據代碼、法律合約或技術文檔等內容類型推薦具體的切分策略。

• 將本地系統與外部 API 或參考測試資料集進行基準測試，以衡量忠實度、相關性及幻覺防護機制。

• 使用者應直接在終端機中調用指令，例如輸入 /rag-audit 來掃描錯誤配置，或使用 /rag-eval 針對提供的 JSON 資料集執行自動化測試。

• 預期輸入包括專案檔案路徑、目標嵌入模型，以及用於高級基準測試的可選 API 金鑰（如 Ailog API）。

• 輸出通常為結構化的 Markdown 報告，詳細說明識別出的關鍵問題、可操作的修正步驟，以及用於系統改進的評分指標。

• 請注意，儘管該套件與框架無關，但它強調行業最佳實踐，例如查詢擴展、重排序 (Reranking)、混合檢索（密集與稀疏向量）以及正確的上下文視窗管理，以防止溢出與雜訊問題。