Проектирование RAG-систем с векторным поиском

ai-agents

Rag architect — это скилл для Claude Code, который проектирует и реализует production-grade RAG-системы: разбивает документы на чанки, генерирует эмбеддинги, настраивает векторные хранилища, строит гибридные pipeline-ы поиска, применяет reranking и оценивает качество извлечения информации. Берут, когда нужно подключить корпоративную базу знаний к LLM и не хочется галлюцинаций, когда семантический поиск по документам работает плохо и находит не то, когда требуется выбрать между Pinecone, Weaviate, Chroma, pgvector и Qdrant, или когда pipeline уже есть, но precision и recall не устраивают. Внутри — пошаговый рабочий процесс с чекпоинтами: анализ требований, проектирование схемы векторной БД, выбор стратегии чанкирования, построение гибридного поиска Vector + BM25 с Reciprocal Rank Fusion, reranking через Cohere и оценка через RAGAS-метрики (context_precision, context_recall, faithfulness). Примеры кода на Python используют LangChain, Qdrant, OpenAI Embeddings и rank_bm25; скилл связан с python-pro, database-optimizer и api-designer. Направление — построение и оптимизация pipeline-ов извлечения контекста для AI-приложений, а не обучение самих моделей. Подойдёт командам, строящим knowledge-grounded AI; не подходит, когда нужен просто полнотекстовый поиск без AI-компонента.