RAG

knowledge-ops는 로컬 파일, MCP 메모리, 벡터 저장소, Git 저장소 전반에 걸친 다층 지식베이스를 관리하는 knowledge-ops 스킬입니다. 명확한 저장 경계를 유지하면서 노트, 대화, 문서, 프로젝트 사실을 수집, 정리, 동기화, 중복 제거, 검색할 때 사용할 수 있습니다.

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.

senior-ml-engineer는 에이전트가 production ML 시스템을 설계하도록 돕습니다. model deployment, MLOps pipelines, monitoring, drift detection, RAG architecture, LLM integration을 다루며, 배포·모니터링·RAG용 reference guide와 starter script가 포함되어 있습니다. 다만 실제 프로덕션 적용 전에는 팀 환경에 맞게 반드시 조정해야 합니다.

senior-prompt-engineer는 모델에 종속되지 않는 Prompt Writing skill로, eval 기반 프롬프트 최적화, RAG 품질 점검, agent 워크플로 검증, token/cost budgeting에 활용할 수 있습니다. 프롬프트 분석, RAG 지표, agent orchestration을 위한 Python 도구와 참고 자료가 함께 포함되어 있습니다.

azure-search-documents-py는 Python용 Azure AI Search 스킬로, 백엔드 개발에 필요한 설치, 인증, 인덱스 설계, 벡터 검색, 하이브리드 검색, 시맨틱 랭킹, 에이전틱 검색까지 다룹니다. 설정부터 실제 쿼리 패턴까지 실무 중심의 안내가 필요할 때 azure-search-documents-py 스킬을 사용하세요.

reunion은 추억, 채팅 로그, 일기, 사진, 구술 회고를 바탕으로 추모형 채팅 에이전트를 구축하는 로컬 우선 스킬입니다. Memory 및 Persona 분석, CLI 사용, Agent Orchestration을 위한 MCP server 지원을 제공합니다.