jpskill.com
🛠️ 開発・MCP コミュニティ

rag-pipeline

Retrieval Augmented Generationという手法で、文章を取り込み、ベクトル検索を使って必要な情報を探し出し、活用する仕組みについて理解を深め、ビジネスに役立てるSkill。

📜 元の英語説明(参考)

Details on the Retrieval Augmented Generation pipeline, Ingestion, and Vector Search.

🇯🇵 日本人クリエイター向け解説

一言でいうと

Retrieval Augmented Generationという手法で、文章を取り込み、ベクトル検索を使って必要な情報を探し出し、活用する仕組みについて理解を深め、ビジネスに役立てるSkill。

※ 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。

⚡ おすすめ: コマンド1行でインストール(60秒)

下記のコマンドをコピーしてターミナル(Mac/Linux)または PowerShell(Windows)に貼り付けてください。 ダウンロード → 解凍 → 配置まで全自動。

🍎 Mac / 🐧 Linux 
mkdir -p ~/.claude/skills && cd ~/.claude/skills && curl -L -o rag-pipeline.zip https://jpskill.com/download/16949.zip && unzip -o rag-pipeline.zip && rm rag-pipeline.zip
🪟 Windows (PowerShell) 
$d = "$env:USERPROFILE\.claude\skills"; ni -Force -ItemType Directory $d | Out-Null; iwr https://jpskill.com/download/16949.zip -OutFile "$d\rag-pipeline.zip"; Expand-Archive "$d\rag-pipeline.zip" -DestinationPath $d -Force; ri "$d\rag-pipeline.zip"

完了後、Claude Code を再起動 → 普通に「動画プロンプト作って」のように話しかけるだけで自動発動します。

💾 手動でダウンロードしたい(コマンドが難しい人向け)
  1. 1. 下の青いボタンを押して rag-pipeline.zip をダウンロード
  2. 2. ZIPファイルをダブルクリックで解凍 → rag-pipeline フォルダができる
  3. 3. そのフォルダを C:\Users\あなたの名前\.claude\skills\(Win)または ~/.claude/skills/(Mac)へ移動
  4. 4. Claude Code を再起動
⬇ .zip でダウンロード(推奨) ⬇ .skill 形式(上級者用) 元のソース ↗

⚠️ 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. 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. 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. 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
2026-05-18
取得日時
2026-05-18
同梱ファイル
1

📖 Skill本文(日本語訳)

※ 原文(英語/中国語)を Gemini で日本語化したものです。Claude 自身は原文を読みます。誤訳がある場合は原文をご確認ください。

RAG パイプラインのロジック

インジェスト

  • スクリプト: backend/ingest.py
  • プロセス:
    1. docs/ をスキャンします。
    2. MDX をクリーンアップします (frontmatter/imports を削除します)。
    3. テキストをチャンク化します (1000 文字、100 文字のオーバーラップ)。
    4. models/text-embedding-004 を使用して埋め込みます。
    5. Qdrant コレクション physical_ai_book に upsert します。
  • 実行: python backend/ingest.py

ベクトル検索 (Qdrant)

  • クライアント: qdrant-client
  • コレクション: physical_ai_book
  • ベクトルサイズ: 768 (Gecko-004)
  • 類似度: コサイン

プロンプトエンジニアリング

  • ファイル: backend/utils/helpers.py。
  • RAG プロンプト: 検索されたコンテキストチャンクを含むプロンプトを構築します。
  • パーソナライゼーション: backend/personalization.py は、ユーザーの software_background および hardware_background に基づいてシステム命令を作成します。

エージェントフロー

LLM の呼び出しをラップするカスタム Agent クラス (backend/agents.py) を使用しており、将来のマルチエージェントワークフローへの拡張が可能です。

📜 原文 SKILL.md(Claudeが読む英語/中国語)を展開

RAG Pipeline Logic

Ingestion

  • Script: backend/ingest.py
  • Process:
    1. Scans docs/.
    2. Cleans MDX (removes frontmatter/imports).
    3. Chunks text (1000 chars, 100 overlap).
    4. Embeds using models/text-embedding-004.
    5. Upserts to Qdrant collection physical_ai_book.
  • Run: python backend/ingest.py

Vector Search (Qdrant)

  • Client: qdrant-client
  • Collection: physical_ai_book
  • Vector Size: 768 (Gecko-004)
  • Similarity: Cosine

Prompt Engineering

  • File: backend/utils/helpers.py.
  • RAG Prompt: Constructs a prompt containing retrieved context chunks.
  • Personalization: backend/personalization.py creates system instructions based on software_background and hardware_background of the user.

Agentic Flow

We use a custom Agent class (backend/agents.py) that wraps the LLM calls, allowing for future expansion into multi-agent workflows.