Fluxo de Implementação de RAG

Visão Geral

Fluxo de trabalho especializado para implementar sistemas RAG (Retrieval-Augmented Generation), incluindo seleção de modelo de embedding, configuração de banco de dados vetorial, estratégias de chunking, otimização de recuperação e avaliação.

Quando Usar Este Fluxo de Trabalho

Use este fluxo de trabalho quando:

• Construindo aplicações com RAG
• Implementando busca semântica
• Criando IA com base em conhecimento
• Configurando sistemas de Perguntas e Respostas sobre documentos
• Otimizando a qualidade da recuperação

Fases do Fluxo de Trabalho

Fase 1: Análise de Requisitos

Habilidades a Invocar

• ai-product - Design de produto de IA
• rag-engineer - Engenharia de RAG

Ações

1. Definir caso de uso
2. Identificar fontes de dados
3. Definir requisitos de precisão
4. Determinar metas de latência
5. Planejar métricas de avaliação

Prompts para Copiar e Colar

Use @ai-product to define RAG application requirements

Fase 2: Seleção de Embedding

Habilidades a Invocar

• embedding-strategies - Seleção de embedding
• rag-engineer - Padrões de RAG

Ações

1. Avaliar modelos de embedding
2. Testar relevância de domínio
3. Medir qualidade do embedding
4. Considerar custo/latência
5. Selecionar modelo

Prompts para Copiar e Colar

Use @embedding-strategies to select optimal embedding model

Fase 3: Configuração do Banco de Dados Vetorial

Habilidades a Invocar

• vector-database-engineer - BD Vetorial
• similarity-search-patterns - Busca por similaridade

Ações

1. Escolher banco de dados vetorial
2. Projetar esquema
3. Configurar índices
4. Configurar conexão
5. Testar consultas

Prompts para Copiar e Colar

Use @vector-database-engineer to set up vector database

Fase 4: Estratégia de Chunking

Habilidades a Invocar

• rag-engineer - Estratégias de chunking
• rag-implementation - Implementação de RAG

Ações

1. Escolher tamanho do chunk
2. Implementar chunking
3. Adicionar tratamento de sobreposição
4. Criar metadados
5. Testar qualidade de recuperação

Prompts para Copiar e Colar

Use @rag-engineer to implement chunking strategy

Fase 5: Implementação da Recuperação

Habilidades a Invocar

• similarity-search-patterns - Busca por similaridade
• hybrid-search-implementation - Busca híbrida

Ações

1. Implementar busca vetorial
2. Adicionar busca por palavra-chave
3. Configurar busca híbrida
4. Configurar reranking
5. Otimizar latência

Prompts para Copiar e Colar

Use @similarity-search-patterns to implement retrieval

Use @hybrid-search-implementation to add hybrid search

Fase 6: Integração de LLM

Habilidades a Invocar

• llm-application-dev-ai-assistant - Integração de LLM
• llm-application-dev-prompt-optimize - Otimização de prompt

Ações

1. Selecionar provedor de LLM
2. Projetar template de prompt
3. Implementar injeção de contexto
4. Adicionar tratamento de citação
5. Testar qualidade de geração

Prompts para Copiar e Colar

Use @llm-application-dev-ai-assistant to integrate LLM

Fase 7: Cache

Habilidades a Invocar

• prompt-caching - Cache de prompt
• rag-engineer - Otimização de RAG

Ações

1. Implementar cache de resposta
2. Configurar cache de embedding
3. Configurar TTL
4. Adicionar invalidação de cache
5. Monitorar taxas de acerto

Prompts para Copiar e Colar

Use @prompt-caching to implement RAG caching

Fase 8: Avaliação

Habilidades a Invocar

• llm-evaluation - Avaliação de LLM
• evaluation - Avaliação de IA

Ações

1. Definir métricas de avaliação
2. Criar conjunto de dados de teste
3. Medir precisão da recuperação
4. Avaliar qualidade da geração
5. Iterar em melhorias

Prompts para Copiar e Colar

Use @llm-evaluation to evaluate RAG system

Arquitetura RAG

User Query -> Embedding -> Vector Search -> Retrieved Docs -> LLM -> Response
                |              |              |              |
            Model         Vector DB     Chunk Store    Prompt + Context

Portões de Qualidade

• Modelo de embedding selecionado
• BD Vetorial configurado
• Chunking implementado
• Recuperação funcionando
• LLM integrado
• Avaliação passando

Pacotes de Fluxo de Trabalho Relacionados

• ai-ml - Desenvolvimento de IA/ML
• ai-agent-development - Agentes de IA
• database - Bancos de dados vetoriais

Limitações

• Use esta habilidade apenas quando a tarefa corresponder claramente ao escopo descrito acima.
• Não trate a saída como substituta para validação específica do ambiente, testes ou revisão de especialistas.
• Pare e peça esclarecimentos se os inputs necessários, permissões, limites de segurança ou critérios de sucesso estiverem faltando.