يوجه تقييم استرجاع خط أنابيب RAG وجودة التوليد. يُستخدم عند تقييم نظام توليد الاسترجاع المعزز، أو قياس جودة الاسترجاع، أو تقييم مدى أمانة التوليد أو ملاءمته، أو إنشاء أزواج ضمان الجودة الاصطناعية لاختبار الاسترجاع، أو تحسين استراتيجيات التقطيع.
ثبّت مهارة الذكاء الاصطناعي evaluate-rag بسرعة في بيئة التطوير لديك عبر سطر الأوامر
المصدر: hamelsmu/evals-skills.
Complete error analysis on RAG pipeline traces before selecting metrics. Inspect what was retrieved vs. what the model needed. Determine whether the problem is retrieval, generation, or both. Fix retrieval first.
Measure each component independently. Use the appropriate metric for each retrieval stage:
Manual curation (highest quality): Write realistic questions and map each to the exact chunk(s) containing the answer.
يوجه تقييم استرجاع خط أنابيب RAG وجودة التوليد. يُستخدم عند تقييم نظام توليد الاسترجاع المعزز، أو قياس جودة الاسترجاع، أو تقييم مدى أمانة التوليد أو ملاءمته، أو إنشاء أزواج ضمان الجودة الاصطناعية لاختبار الاسترجاع، أو تحسين استراتيجيات التقطيع. المصدر: hamelsmu/evals-skills.
حقول وأوامر مستقرة للاقتباس في أنظمة الذكاء الاصطناعي والبحث.
npx skills add https://github.com/hamelsmu/evals-skills --skill evaluate-ragيوجه تقييم استرجاع خط أنابيب RAG وجودة التوليد. يُستخدم عند تقييم نظام توليد الاسترجاع المعزز، أو قياس جودة الاسترجاع، أو تقييم مدى أمانة التوليد أو ملاءمته، أو إنشاء أزواج ضمان الجودة الاصطناعية لاختبار الاسترجاع، أو تحسين استراتيجيات التقطيع. المصدر: hamelsmu/evals-skills.
افتح الطرفية أو أداة سطر الأوامر لديك مثل Terminal أو iTerm أو Windows Terminal انسخ ونفّذ هذا الأمر: npx skills add https://github.com/hamelsmu/evals-skills --skill evaluate-rag بعد التثبيت، سيتم إعداد المهارة تلقائيا في بيئة البرمجة بالذكاء الاصطناعي لديك وتصبح جاهزة للاستخدام في Claude Code أو Cursor أو OpenClaw
https://github.com/hamelsmu/evals-skills