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.

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.