بناء أنظمة توليد الاسترجاع المعزز (RAG) لتطبيقات LLM باستخدام قواعد بيانات المتجهات والبحث الدلالي. يُستخدم عند تنفيذ الذكاء الاصطناعي القائم على المعرفة، أو إنشاء أنظمة أسئلة وأجوبة للمستندات، أو دمج LLMs مع قواعد المعرفة الخارجية.
ثبّت مهارة الذكاء الاصطناعي rag-implementation بسرعة في بيئة التطوير لديك عبر سطر الأوامر
المصدر: wshobson/agents.
Master Retrieval-Augmented Generation (RAG) to build LLM applications that provide accurate, grounded responses using external knowledge sources.
Models (2026): | Model | Dimensions | Best For |
| voyage-3-large | 1024 | Claude apps (Anthropic recommended) | | voyage-code-3 | 1024 | Code search | | text-embedding-3-large | 3072 | OpenAI apps, high accuracy | | text-embedding-3-small | 1536 | OpenAI apps, cost-effective | | bge-large-en-v1.5 | 1024 | Open source, local deployment | | multilingual-e5-large | 1024 | Multi-language support |
بناء أنظمة توليد الاسترجاع المعزز (RAG) لتطبيقات LLM باستخدام قواعد بيانات المتجهات والبحث الدلالي. يُستخدم عند تنفيذ الذكاء الاصطناعي القائم على المعرفة، أو إنشاء أنظمة أسئلة وأجوبة للمستندات، أو دمج LLMs مع قواعد المعرفة الخارجية. المصدر: wshobson/agents.
حقول وأوامر مستقرة للاقتباس في أنظمة الذكاء الاصطناعي والبحث.
npx skills add https://github.com/wshobson/agents --skill rag-implementationبناء أنظمة توليد الاسترجاع المعزز (RAG) لتطبيقات LLM باستخدام قواعد بيانات المتجهات والبحث الدلالي. يُستخدم عند تنفيذ الذكاء الاصطناعي القائم على المعرفة، أو إنشاء أنظمة أسئلة وأجوبة للمستندات، أو دمج LLMs مع قواعد المعرفة الخارجية. المصدر: wshobson/agents.
افتح الطرفية أو أداة سطر الأوامر لديك مثل Terminal أو iTerm أو Windows Terminal انسخ ونفّذ هذا الأمر: npx skills add https://github.com/wshobson/agents --skill rag-implementation 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/wshobson/agents