RAG 工作流

iterative-retrieval 是一種工作流程模式，用於在 agentic 工作中逐步精煉上下文檢索。它能幫助 subagents 避免取得過多或過少的上下文，因此很適合用來評估 iterative-retrieval 的使用情境、安裝決策，以及 Workflow Automation 中的 iterative-retrieval。

vector-index-tuning 可協助調校向量搜尋索引，在延遲、召回率與記憶體使用之間取得平衡。可用來選擇索引類型、調整 HNSW 設定，並比較 RAG 工作流程中的量化選項。

rag-implementation 是一項實用技能，適合規劃包含向量資料庫、embeddings、檢索模式與 grounded-answer 流程的 RAG 系統。可用來比較技術堆疊選項、釐清架構決策，並為文件問答、知識助理與語意搜尋提供安裝與使用方向。

similarity-search-patterns 可協助你為語意搜尋與 RAG 工作流程選擇距離度量、索引類型與混合式檢索模式。適合用來規劃正式環境中的向量搜尋取捨，平衡召回率、延遲與擴充規模。

hybrid-search-implementation 技能說明如何在 RAG 與搜尋系統中，結合向量檢索與關鍵字檢索，並運用 RRF、線性融合、reranking 與 cascade 等模式。

langchain-architecture 是一份用於規劃 LangChain 1.x 與 LangGraph 應用的設計指南。可在實作前協助你判斷應採用 chains、agents、retrieval、memory 與 stateful orchestration 等模式。

embedding-strategies 協助你為語意搜尋與 RAG 工作流程選擇並最佳化 embedding 模型，並提供實用指引，涵蓋 chunking、模型取捨、多語內容，以及檢索評估。

senior-ml-engineer 可協助 agents 規劃 production ML 系統：model deployment、MLOps pipelines、monitoring、drift detection、RAG architecture 與 LLM integration。內含 deployment、monitoring 與 RAG 的參考指南和 starter scripts，團隊在上 production 前應先依自身需求調整。

senior-prompt-engineer 是一個不綁定特定模型的 Prompt Writing skill，適合用於評估驅動的 prompt optimization、RAG 品質檢查、agent workflow validation，以及 token/cost budgeting。內含參考資料，並提供可用於 prompt analysis、RAG metrics 與 agent orchestration 的 Python tools。

azure-search-documents-ts 讓後端開發者能用 @azure/search-documents SDK 建立 Azure AI Search 解決方案。可用於索引建立、文件上傳，以及關鍵字、向量、混合與語意搜尋，並涵蓋認證與環境設定。這是一份面向後端開發的實用 azure-search-documents-ts 指南。

azure-ai-contentunderstanding-py 是 Azure AI Content Understanding 的 Python 技能。它可從文件、圖片、音訊與影片中擷取結構化內容，適合 RAG 工作流程與自動化。當你需要可靠的多模態擷取、Azure 驗證，以及可重複、可直接接入管線的輸出時，這個技能很合適。