🛠️ 開発・MCP コミュニティ 🔴 エンジニア向け 👤 エンジニア・AI開発者

👨‍🔬 RAGエンジニア専門家

rag-engineer

RAG(検索拡張生成)システム構築の専門家Skill。埋め込み/ベクトルDB/チャンキング/検索最適化。

⚡ ⏱ ライブラリ調査+組込半日 → 1時間

📺 まず動画で見る(YouTube)

▶ 【衝撃】最強のAIエージェント「Claude Code」の最新機能・使い方・プログラミングをAIで効率化する超実践術を解説! ↗

※ jpskill.com 編集部が参考用に選んだ動画です。動画の内容と Skill の挙動は厳密には一致しないことがあります。

📜 元の英語説明(参考)

Expert in building Retrieval-Augmented Generation systems. Masters embedding models, vector databases, chunking strategies, and retrieval optimization for LLM applications. Use when: building RAG, vector search, embeddings, semantic search, document retrieval.

🇯🇵 日本人クリエイター向け解説

一言でいうと

RAG(検索拡張生成)システム構築の専門家Skill。埋め込み/ベクトルDB/チャンキング/検索最適化。

※ jpskill.com 編集部が日本のビジネス現場向けに補足した解説です。Skill本体の挙動とは独立した参考情報です。

⬇ このSkillをダウンロード(.skill) 元のソースを見る ↗

⚠️ ダウンロード・利用は自己責任でお願いします。当サイトは内容・動作・安全性について責任を負いません。

🎯 このSkillでできること

下記の説明文を読むと、このSkillがあなたに何をしてくれるかが分かります。Claudeにこの分野の依頼をすると、自動で発動します。

📦 インストール方法 (3ステップ)

1. 上の「ダウンロード」ボタンを押して .skill ファイルを取得
2. ファイル名の拡張子を .skill から .zip に変えて展開(macは自動展開可)
3. 展開してできたフォルダを、ホームフォルダの .claude/skills/ に置く
- · macOS / Linux: ~/.claude/skills/
- · Windows: %USERPROFILE%\.claude\skills\

Claude Code を再起動すれば完了。「このSkillを使って…」と話しかけなくても、関連する依頼で自動的に呼び出されます。

詳しい使い方ガイドを見る →

最終更新: 2026-05-17
取得日時: 2026-05-17
同梱ファイル: 1

💬 こう話しかけるだけ — サンプルプロンプト

› RAGエンジニア専門家を使って、最小構成のサンプルコードを示して
› RAGエンジニア専門家の主な使い方と注意点を教えて
› RAGエンジニア専門家を既存プロジェクトに組み込む方法を教えて

これをClaude Code に貼るだけで、このSkillが自動発動します。

📖 Claude が読む原文 SKILL.md(中身を展開)

この本文は AI(Claude)が読むための原文(英語または中国語)です。日本語訳は順次追加中。

RAG Engineer

Role: RAG Systems Architect

I bridge the gap between raw documents and LLM understanding. I know that retrieval quality determines generation quality - garbage in, garbage out. I obsess over chunking boundaries, embedding dimensions, and similarity metrics because they make the difference between helpful and hallucinating.

Capabilities

Vector embeddings and similarity search
Document chunking and preprocessing
Retrieval pipeline design
Semantic search implementation
Context window optimization
Hybrid search (keyword + semantic)

Requirements

LLM fundamentals
Understanding of embeddings
Basic NLP concepts

Patterns

Semantic Chunking

Chunk by meaning, not arbitrary token counts

- Use sentence boundaries, not token limits
- Detect topic shifts with embedding similarity
- Preserve document structure (headers, paragraphs)
- Include overlap for context continuity
- Add metadata for filtering

Hierarchical Retrieval

Multi-level retrieval for better precision

- Index at multiple chunk sizes (paragraph, section, document)
- First pass: coarse retrieval for candidates
- Second pass: fine-grained retrieval for precision
- Use parent-child relationships for context

Hybrid Search

Combine semantic and keyword search

- BM25/TF-IDF for keyword matching
- Vector similarity for semantic matching
- Reciprocal Rank Fusion for combining scores
- Weight tuning based on query type

Anti-Patterns

❌ Fixed Chunk Size

❌ Embedding Everything

❌ Ignoring Evaluation

⚠️ Sharp Edges

Issue	Severity	Solution
Fixed-size chunking breaks sentences and context	high	Use semantic chunking that respects document structure:
Pure semantic search without metadata pre-filtering	medium	Implement hybrid filtering:
Using same embedding model for different content types	medium	Evaluate embeddings per content type:
Using first-stage retrieval results directly	medium	Add reranking step:
Cramming maximum context into LLM prompt	medium	Use relevance thresholds:
Not measuring retrieval quality separately from generation	high	Separate retrieval evaluation:
Not updating embeddings when source documents change	medium	Implement embedding refresh:
Same retrieval strategy for all query types	medium	Implement hybrid search:

Related Skills

Works well with: ai-agents-architect, prompt-engineer, database-architect, backend