RAG 実装ワークフロー

概要

embedding モデル選択、vector database のセットアップ、チャンキング戦略、retrieval の最適化、および評価を含む RAG (Retrieval-Augmented Generation) システム実装の専門ワークフロー。

このワークフローを使用する場合

以下の場合にこのワークフローを使用してください：

• RAG 対応アプリケーションの構築
• semantic search の実装
• knowledge-grounded AI の作成
• document Q&A システムのセットアップ
• retrieval の品質最適化

ワークフローフェーズ

フェーズ 1: 要件分析

呼び出すスキル

• ai-product - AI 製品設計
• rag-engineer - RAG エンジニアリング

アクション

1. ユースケースの定義
2. データソースの特定
3. 精度要件の設定
4. latency 目標の決定
5. 評価指標の計画

コピー&ペーストプロンプト

Use @ai-product to define RAG application requirements

フェーズ 2: Embedding 選択

呼び出すスキル

• embedding-strategies - Embedding 選択
• rag-engineer - RAG パターン

アクション

1. embedding モデルの評価
2. domain 関連性のテスト
3. embedding 品質の測定
4. コスト/latency の考慮
5. モデルの選択

コピー&ペーストプロンプト

Use @embedding-strategies to select optimal embedding model

フェーズ 3: Vector Database セットアップ

呼び出すスキル

• vector-database-engineer - Vector DB
• similarity-search-patterns - Similarity search

アクション

1. Vector database の選択
2. スキーマ設計
3. index の構成
4. 接続のセットアップ
5. クエリのテスト

コピー&ペーストプロンプト

Use @vector-database-engineer to set up vector database

フェーズ 4: チャンキング戦略

呼び出すスキル

• rag-engineer - チャンキング戦略
• rag-implementation - RAG 実装

アクション

1. chunk size の選択
2. chunking の実装
3. overlap 処理の追加
4. metadata の作成
5. retrieval 品質のテスト

コピー&ペーストプロンプト

Use @rag-engineer to implement chunking strategy

フェーズ 5: Retrieval 実装

呼び出すスキル

• similarity-search-patterns - Similarity search
• hybrid-search-implementation - Hybrid search

アクション

1. Vector search の実装
2. keyword search の追加
3. hybrid search の構成
4. reranking のセットアップ
5. latency の最適化

コピー&ペーストプロンプト

Use @similarity-search-patterns to implement retrieval

Use @hybrid-search-implementation to add hybrid search

フェーズ 6: LLM 統合

呼び出すスキル

• llm-application-dev-ai-assistant - LLM 統合
• llm-application-dev-prompt-optimize - プロンプト最適化

アクション

1. LLM プロバイダーの選択
2. プロンプトテンプレートの設計
3. context injection の実装
4. citation 処理の追加
5. generation 品質のテスト

コピー&ペーストプロンプト

Use @llm-application-dev-ai-assistant to integrate LLM

フェーズ 7: キャッシング

呼び出すスキル

• prompt-caching - Prompt caching
• rag-engineer - RAG 最適化

アクション

1. response caching の実装
2. embedding cache のセットアップ
3. TTL の構成
4. cache invalidation の追加
5. hit rates の監視

コピー&ペーストプロンプト

Use @prompt-caching to implement RAG caching

フェーズ 8: 評価

呼び出すスキル

• llm-evaluation - LLM 評価
• evaluation - AI 評価

アクション

1. 評価指標の定義
2. テストデータセットの作成
3. retrieval 精度の測定
4. generation 品質の評価
5. 改善への反復

コピー&ペーストプロンプト

Use @llm-evaluation to evaluate RAG system

RAG アーキテクチャ

User Query -> Embedding -> Vector Search -> Retrieved Docs -> LLM -> Response
                |              |              |              |
            Model         Vector DB     Chunk Store    Prompt + Context

Quality Gates

• Embedding モデル選択完了
• Vector DB 構成完了
• Chunking 実装完了
• Retrieval 動作確認
• LLM 統合完了
• 評価クリア

関連ワークフロー バンドル

• ai-ml - AI/ML 開発
• ai-agent-development - AI agents
• database - Vector databases

制限事項

• 上記の説明範囲と明確に一致するタスク時にのみこのスキルを使用してください。
• 出力を environment 固有の検証、テスト、または expert による審査の代替として扱わないでください。
• 必要な入力、権限、安全境界、または成功基準が不足している場合は、明確化を求めて中断してください。