RAG Workflows

iterative-retrieval は、エージェント型の作業でコンテキスト取得を段階的に洗練していくためのワークフローパターンです。サブエージェントがコンテキストを取りすぎたり、逆に足りなさすぎたりするのを防ぎ、iterative-retrieval の導入判断や、Workflow Automation における iterative-retrieval の活用に役立ちます。

vector-index-tuning は、レイテンシ・再現率・メモリ使用量の観点からベクトル検索インデックスを調整するためのスキルです。RAG ワークフロー向けに、インデックスタイプの選定、HNSW 設定の最適化、量子化オプションの比較に活用できます。

rag-implementationは、ベクターデータベース、埋め込み、検索パターン、根拠に基づく回答フローを踏まえてRAGシステムを設計するための実践的なスキルです。スタック候補の比較、アーキテクチャ判断の整理、ドキュメントQ&A・ナレッジアシスタント・セマンティック検索向けの導入や活用方針の検討に役立ちます。

similarity-search-patterns は、セマンティック検索や RAG ワークフローに向けて、距離指標、インデックス方式、ハイブリッド検索パターンの選定を支援するスキルです。再現率・レイテンシ・スケールのバランスを踏まえ、プロダクション環境のベクトル検索設計を検討したいときに役立ちます。

hybrid-search-implementation スキルは、RAG や検索システム向けに、ベクトル検索とキーワード検索を組み合わせ、RRF、線形融合、reranking、cascade パターンを実装する方法を示します。

langchain-architecture は、LangChain 1.x と LangGraph アプリケーションを設計するためのガイドです。実装に入る前に、chains、agents、retrieval、memory、stateful orchestration のどのパターンを採用するか整理・判断するのに役立ちます。

embedding-strategies は、セマンティック検索や RAG ワークフロー向けに埋め込みモデルを選定・最適化するためのスキルです。チャンク分割の実践、モデル選定のトレードオフ、多言語コンテンツへの対応、検索評価の進め方まで、実務で役立つ観点をまとめて確認できます。

azure-search-documents-ts は、@azure/search-documents SDK を使って Azure AI Search ソリューションを構築したいバックエンド開発者向けのスキルです。インデックス作成、ドキュメントのアップロード、キーワード検索、ベクトル検索、ハイブリッド検索、セマンティック検索に加え、認証情報や環境変数の設定にも使えます。バックエンド開発で役立つ、実践的な azure-search-documents-ts ガイドです。

azure-ai-contentunderstanding-py は、Azure AI Content Understanding 向けの Python スキルです。ドキュメント、画像、音声、動画から構造化コンテンツを抽出し、RAG ワークフローや自動化に活用できます。信頼性の高いマルチモーダル抽出、Azure 認証、再現性のあるパイプライン向け出力が必要な場合に適しています。