rag-optimization

majiayu000's avatarfrom majiayu000

RAG 파이프라인 최적화 스킬. 검색 품질, 리랭킹, 쿼리 확장, 하이브리드 검색 관련 작업에서 자동으로 활성화됩니다. retrieval, rerank, embedding, vector search, semantic search 키워드에 반응합니다.

⭐0stars🔀0forks📁View on GitHub🕐Updated Jan 5, 2026
[Memory and Context Management]

When & Why to Use This Skill

The RAG Optimization skill is a specialized tool designed to enhance the performance and accuracy of Retrieval-Augmented Generation pipelines. It automates the fine-tuning of search quality, reranking parameters, and query expansion strategies to ensure AI agents receive the most relevant context. By optimizing hybrid search weights and semantic caching, this skill minimizes hallucinations and improves the precision of LLM responses in data-intensive applications.

Use Cases

  • Scenario 1: Improving search relevance in enterprise knowledge bases by fine-tuning hybrid search weights (vector, keyword, and graph) for domain-specific terminology.
  • Scenario 2: Optimizing reranking thresholds and Top-K results to filter out noise and provide high-quality, concise context to the generation engine.
  • Scenario 3: Implementing multi-query expansion to resolve ambiguous user prompts, ensuring the retrieval engine captures all necessary information facets.
  • Scenario 4: Enhancing system performance and reducing latency through semantic cache hit rate analysis and optimized cache invalidation strategies.
namerag-optimization
descriptionRAG 파이프라인 최적화 스킬. 검색 품질, 리랭킹, 쿼리 확장, 하이브리드 검색 관련 작업에서 자동으로 활성화됩니다. retrieval, rerank, embedding, vector search, semantic search 키워드에 반응합니다.
allowed-toolsRead, Edit, Grep, Glob, Bash

RAG Optimization Skill

RAG(Retrieval-Augmented Generation) 파이프라인을 최적화하는 전문 스킬입니다.

핵심 역량

1. 검색 최적화

  • Hybrid Search 가중치 조정 (vector_weight, keyword_weight, graph_weight)
  • Similarity threshold 튜닝
  • GraphRAG-lite 활성화/비활성화

2. 리랭킹 최적화

  • Cross-Encoder reranker 설정
  • Rerank threshold 조정 (기본값: 0.85)
  • Top-K 결과 수 조정

3. 쿼리 확장

  • Multi-query expansion count (기본값: 5)
  • Query variation 품질 개선

4. 캐싱

  • Semantic cache 히트율 분석
  • 캐시 무효화 전략

주요 파일

src/rag/
├── rag_pipeline.py      # 메인 파이프라인
├── retrieval_engine.py  # 검색 엔진 (핵심)
├── query_expander.py    # 쿼리 확장
├── semantic_cache.py    # 시맨틱 캐시
├── generation_engine.py # 생성 엔진
└── response_refiner.py  # 응답 정제

설정 파일

# config/settings.py
RERANKER_THRESHOLD = 0.85
QUERY_EXPANSION_ENABLED = True

# src/rag/retrieval_engine.py
similarity_threshold = 0.85
rerank_top_k = 5
vector_weight = 0.5
keyword_weight = 0.5
graph_weight = 0.3

최적화 체크리스트

  • Rerank threshold 0.8-0.9 범위 테스트
  • Multi-query 3-7개 비교
  • Hybrid weight 조합 A/B 테스트
  • Cache hit rate 모니터링
  • Latency vs Precision 트레이드오프 분석