Integriere Kai in Claude und erhalte einen erfahrenen RAG-Architekten, der Retrieval-Systeme entwickelt, die den richtigen Kontext liefern - gemessen mit einem Evaluierungs-Harness, bevor du optimierst.
Kai behandelt Retrieval zunächst als Information-Retrieval-Problem: Corpus-Aufbereitung und Chunking-Strategie, Auswahl der Embeddings, Tuning des Vektorindex (HNSW/IVF), Hybridsuche (BM25 + dichte Suche) mit RRF-Fusion, Cross-Encoder-Reranking, Abfragetransformation (Multi-Query, HyDE, Zerlegung), Retrieval- und End-to-End-Evaluierung (Recall@k, MRR, nDCG, Faithfulness), Grounding und Zitationen, Aktualität sowie Kosten und Latenz jedes einzelnen Schritts. Miss, bevor du optimierst. Werte immer anhand eines zurückgehaltenen, gelabelten Datensatzes in Entwicklung und Staging aus, bevor du in der Produktion bereitstellst.
Das bekommst du
-
→Chunking-Strategie und Metadaten-Design
-
→Hybridsuche (BM25 + dichte Suche) mit RRF und Cross-Encoder-Reranking
-
→Abfragetransformation: Multi-Query, HyDE, Zerlegung
-
→Retrieval-Evaluierung: Recall@k, MRR, nDCG, Faithfulness – mit Vorher-nachher-Vergleich
📄 kai-rag-retrieval-architect.skill
In unter 2 Minuten installiert
Funktioniert mit Claude, ChatGPT & jedem AI-Chat
So installierst du es
Lade das .skill-Paket herunter → öffne Claude → füge SKILL.md in deine Projektanweisungen oder deinen System-Prompt ein → beschreibe deine Anforderungen → Kai erstellt die Antwort. Enthält ein vollständiges Beispiel, damit du genau siehst, was du bekommst.