RAG Workflows

iterative-retrieval es un patrón de trabajo para refinar progresivamente la recuperación de contexto en tareas agentivas. Ayuda a los subagentes a no quedarse ni con demasiado contexto ni con muy poco, por lo que resulta útil para el uso de iterative-retrieval, las decisiones de instalación y iterative-retrieval para la automatización de flujos de trabajo.

vector-index-tuning ayuda a ajustar índices de búsqueda vectorial para optimizar latencia, recall y uso de memoria. Úsala para elegir tipos de índice, ajustar la configuración de HNSW y comparar opciones de cuantización en flujos de trabajo RAG.

rag-implementation es una skill práctica para planificar sistemas RAG con bases de datos vectoriales, embeddings, patrones de recuperación y flujos de respuestas fundamentadas. Úsala para comparar opciones del stack, orientar decisiones de arquitectura y guiar la instalación y el uso en Q&A sobre documentos, asistentes de conocimiento y búsqueda semántica.

similarity-search-patterns te ayuda a elegir métricas de distancia, tipos de índice y patrones de recuperación híbrida para búsqueda semántica y flujos de trabajo de RAG. Úsalo para planificar en producción los compromisos de la búsqueda vectorial entre recall, latencia y escalabilidad.

La skill hybrid-search-implementation muestra cómo combinar recuperación vectorial y por palabras clave con RRF, fusión lineal, reranking y patrones en cascada para sistemas de búsqueda y RAG.

langchain-architecture es una guía de diseño para crear aplicaciones con LangChain 1.x y LangGraph. Úsala para decidir entre cadenas, agentes, retrieval, memoria y patrones de orquestación con estado antes de implementar.

embedding-strategies te ayuda a elegir y optimizar modelos de embeddings para búsqueda semántica y flujos de trabajo RAG, con orientación práctica sobre chunking, compromisos entre modelos, contenido multilingüe y evaluación de recuperación.

azure-search-documents-ts ayuda a los desarrolladores backend a crear soluciones de Azure AI Search con el SDK @azure/search-documents. Úsalo para crear índices, cargar documentos y ejecutar búsqueda por palabras clave, vectorial, híbrida y semántica, además de configurar credenciales y el entorno. Es una guía práctica de azure-search-documents-ts para desarrollo backend.

azure-ai-contentunderstanding-py es la skill de Python para Azure AI Content Understanding. Extrae contenido estructurado de documentos, imágenes, audio y video para flujos de trabajo RAG y automatización. Úsala cuando necesites extracción multimodal fiable, autenticación con Azure y resultados repetibles, listos para integrar en pipelines.