RAG

knowledge-ops は、ローカルファイル、MCP メモリ、ベクターストア、Git リポジトリをまたいで多層のナレッジベースを管理するための knowledge-ops スキルです。保存先の境界を明確に保ちながら、ノート、会話、ドキュメント、プロジェクト情報を取り込み、整理し、同期し、重複排除し、検索・取得するのに使えます。

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-py は、Python 向けの Azure AI Search スキルです。バックエンド開発を対象に、インストール、認証、インデックス設計、ベクトル検索、ハイブリッド検索、セマンティックランキング、エージェント的検索までをカバーします。セットアップから実用的なクエリパターンまで、具体的な指針が必要なときにこの azure-search-documents-py スキルを使ってください。

reunion は、思い出、チャットログ、日記、写真、口述の記録から追悼チャットエージェントを構築するためのローカルファーストなスキルです。Memory と Persona の分析、CLI 利用、さらに Agent Orchestration 向けの MCP server サポートを備えています。