rag-optimization

rayvoidx's avatarfrom rayvoidx

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 Dec 25, 2025
[Memory and Context Management]

When & Why to Use This Skill

This Claude skill provides a comprehensive suite for RAG (Retrieval-Augmented Generation) pipeline optimization. It focuses on enhancing search precision and retrieval efficiency through automated tuning of hybrid search weights, reranking thresholds, and query expansion strategies. It is an essential tool for developers looking to improve the accuracy, relevance, and performance of AI-driven knowledge retrieval systems.

Use Cases

  • Case 1: Optimizing hybrid search performance by balancing vector, keyword, and graph weights to improve document retrieval relevance in complex datasets.
  • Case 2: Enhancing retrieval accuracy using Cross-Encoder reranking and fine-tuning similarity thresholds to filter out irrelevant context.
  • Case 3: Improving query understanding through multi-query expansion, ensuring the system captures diverse semantic variations of user intents for better coverage.
  • Case 4: Reducing system latency and operational costs by implementing and monitoring semantic caching strategies to handle repetitive queries efficiently.
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