RAG Workflows

iterative-retrieval ist ein Workflow-Muster zur schrittweisen Verfeinerung der Kontextrecherche in agentischen Arbeitsabläufen. Es hilft Subagenten, zu viel oder zu wenig Kontext zu vermeiden, und ist damit nützlich für iterative-retrieval-Einsatzszenarien, Installationsentscheidungen und iterative-retrieval für Workflow-Automatisierung.

vector-index-tuning hilft dabei, Vektor-Suchindizes auf Latenz, Recall und Speicherverbrauch abzustimmen. Nutzen Sie die Skill, um Indextypen auszuwählen, HNSW-Einstellungen anzupassen und Quantisierungsoptionen für RAG-Workflows zu vergleichen.

rag-implementation ist eine praxisnahe Skill für die Planung von RAG-Systemen mit Vektordatenbanken, Embeddings, Retrieval-Mustern und Workflows für fundierte Antworten. Nutzen Sie sie, um Stack-Optionen zu vergleichen, Architekturentscheidungen auszuarbeiten sowie Installation und Einsatz für Dokumenten-Q&A, Wissensassistenten und semantische Suche zu steuern.

similarity-search-patterns unterstützt Sie bei der Wahl von Distanzmetriken, Indextypen und hybriden Retrieval-Mustern für semantische Suche und RAG-Workflows. Nutzen Sie den Skill, um Trade-offs in produktiven Vektorsuchen bei Recall, Latenz und Skalierung fundiert zu planen.

Die Skill hybrid-search-implementation zeigt, wie sich Vektor- und Keyword-Retrieval mit RRF, linearer Fusion, Reranking und Cascade-Mustern für RAG- und Suchsysteme kombinieren lassen.

langchain-architecture ist ein Leitfaden für den Entwurf von Anwendungen mit LangChain 1.x und LangGraph. Er hilft dabei, schon vor der Implementierung zwischen Chains, Agents, Retrieval, Memory und zustandsbehafteten Orchestrierungsmustern zu wählen.

embedding-strategies hilft bei der Auswahl und Optimierung von Embedding-Modellen für semantische Suche und RAG-Workflows – mit praxisnaher Anleitung zu Chunking, Modellabwägungen, mehrsprachigen Inhalten und der Bewertung der Retrieval-Qualität.

azure-search-documents-ts hilft Backend-Entwicklern dabei, Azure AI Search-Lösungen mit dem @azure/search-documents SDK zu erstellen. Verwenden Sie es für die Indexerstellung, das Hochladen von Dokumenten sowie Keyword-, Vektor-, Hybrid- und semantische Suche, plus für die Einrichtung von Anmeldedaten und Umgebung. Es ist ein praxisnaher Leitfaden zu azure-search-documents-ts für die Backend-Entwicklung.

azure-ai-contentunderstanding-py ist das Python-Skill für Azure AI Content Understanding. Es extrahiert strukturierte Inhalte aus Dokumenten, Bildern, Audio und Video für RAG-Workflows und Automatisierung. Nutzen Sie es, wenn Sie zuverlässige multimodale Extraktion, Azure-Authentifizierung und reproduzierbare, pipelinefähige Ausgaben benötigen.