RAG Workflows

iterative-retrieval은 에이전트 작업에서 문맥 검색을 점진적으로 정교화하는 워크플로 패턴입니다. 서브에이전트가 문맥을 너무 많이도, 너무 적게도 받지 않도록 도와주며, iterative-retrieval 사용법, 설치 판단, Workflow Automation용 iterative-retrieval에 특히 유용합니다.

vector-index-tuning은 지연 시간, 재현율, 메모리 사용량을 기준으로 벡터 검색 인덱스를 튜닝할 때 도움이 되는 스킬입니다. RAG 워크플로에서 인덱스 유형을 고르고, HNSW 설정을 조정하고, 양자화 옵션의 장단점을 비교할 때 활용할 수 있습니다.

rag-implementation은 vector databases, embeddings, retrieval patterns, grounded-answer workflows를 바탕으로 RAG 시스템을 설계할 때 실무적으로 참고하기 좋은 스킬입니다. document Q&A, knowledge assistants, semantic search 용도에서 스택 옵션을 비교하고, 아키텍처 결정을 구체화하며, 설치와 활용 방향을 잡는 데 유용합니다.

similarity-search-patterns는 시맨틱 검색과 RAG 워크플로를 위한 거리 지표, 인덱스 유형, 하이브리드 검색 패턴을 선택할 때 도움을 주는 스킬입니다. 재현율, 지연 시간, 확장성 사이의 운영상 트레이드오프를 고려해 프로덕션 벡터 검색 전략을 설계할 때 활용할 수 있습니다.

hybrid-search-implementation 스킬은 RAG 및 검색 시스템에서 벡터 검색과 키워드 검색을 RRF, 선형 결합, reranking, cascade 패턴과 함께 조합하는 방법을 보여줍니다.

langchain-architecture는 LangChain 1.x와 LangGraph 애플리케이션 설계를 위한 디자인 가이드입니다. 구현에 들어가기 전에 chains, agents, retrieval, memory, stateful orchestration 패턴 중 무엇을 선택할지 판단할 때 유용합니다.

embedding-strategies는 시맨틱 검색과 RAG 워크플로에 맞는 임베딩 모델을 선택하고 최적화할 수 있도록 돕는 스킬입니다. 청킹 전략, 모델 간 트레이드오프, 다국어 콘텐츠 처리, 검색 성능 평가까지 실무적으로 안내합니다.

azure-search-documents-ts는 백엔드 개발자가 @azure/search-documents SDK로 Azure AI Search 솔루션을 구축할 때 도움이 됩니다. 인덱스 생성, 문서 업로드, 키워드 검색, 벡터 검색, 하이브리드 검색, 시맨틱 검색은 물론 자격 증명과 환경 설정에도 활용할 수 있습니다. 백엔드 개발에 적합한 실용적인 azure-search-documents-ts 가이드입니다.

azure-ai-contentunderstanding-py는 Azure AI Content Understanding용 Python 스킬입니다. 문서, 이미지, 오디오, 비디오에서 구조화된 콘텐츠를 추출해 RAG 워크플로와 자동화에 활용할 수 있습니다. 신뢰할 수 있는 멀티모달 추출, Azure 인증, 그리고 반복 가능한 파이프라인용 출력을 필요로 할 때 적합합니다.