RAG Workflows

iterative-retrieval é um padrão de trabalho para refinar progressivamente a recuperação de contexto em fluxos de trabalho agenticos. Ele ajuda subagentes a evitar contexto demais ou de menos, sendo útil para uso de iterative-retrieval, decisões de instalação e iterative-retrieval para Automação de Fluxos de Trabalho.

vector-index-tuning ajuda a ajustar índices de busca vetorial para latência, recall e uso de memória. Use a skill para escolher tipos de índice, configurar parâmetros de HNSW e comparar opções de quantização em fluxos de RAG.

rag-implementation é uma skill prática para planejar sistemas de RAG com bancos de dados vetoriais, embeddings, padrões de recuperação e fluxos de resposta ancorada em fontes. Use para comparar opções de stack, orientar decisões de arquitetura e guiar instalação e uso em Q&A sobre documentos, assistentes de conhecimento e busca semântica.

similarity-search-patterns ajuda você a escolher métricas de distância, tipos de índice e padrões de recuperação híbrida para busca semântica e fluxos de trabalho de RAG. Use a skill para planejar os trade-offs da busca vetorial em produção entre recall, latência e escala.

A skill hybrid-search-implementation mostra como combinar recuperação vetorial e por palavras-chave com RRF, fusão linear, reranking e padrões em cascata para sistemas de busca e RAG.

langchain-architecture é um guia de arquitetura para criar aplicações com LangChain 1.x e LangGraph. Use para decidir entre chains, agents, retrieval, memory e padrões de orquestração com estado antes da implementação.

embedding-strategies ajuda você a escolher e otimizar modelos de embedding para busca semântica e fluxos de RAG, com orientações práticas sobre chunking, trade-offs entre modelos, conteúdo multilíngue e avaliação de recuperação.

A azure-search-documents-ts ajuda desenvolvedores de backend a criar soluções com o Azure AI Search usando o SDK @azure/search-documents. Use-a para criação de índices, upload de documentos, buscas por palavra-chave, vetoriais, híbridas e semânticas, além de configuração de credenciais e ambiente. É um guia prático de azure-search-documents-ts para desenvolvimento backend.

azure-ai-contentunderstanding-py é a skill em Python para o Azure AI Content Understanding. Ela extrai conteúdo estruturado de documentos, imagens, áudio e vídeo para fluxos de trabalho de RAG e automação. Use-a quando precisar de extração multimodal confiável, autenticação com Azure e saídas repetíveis prontas para pipeline.