'retrieval' 검색 결과

Expert en RAG agentique (retrieval multi-étapes, self-query, chunking adaptatif, tool-augmented generation)

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Expert in building Retrieval-Augmented Generation systems. Masters embedding models, vector databases, chunking strategies, and retrieval optimization for LLM applications.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

RAG (Retrieval-Augmented Generation) implementation workflow covering embedding selection, vector database setup, chunking strategies, and retrieval optimization.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Memory is the cornerstone of intelligent agents. Without it, every interaction starts from zero. This skill covers the architecture of agent memory: short-term (context window), long-term (vector stores), and the cognitive architectures that organize them. Key insight: Memory isn't just storage - it's retrieval. A million stored facts mean nothing if you can't find the right one. Chunking, embedding, and retrieval strategies determine whether your agent remembers or forgets. The field is fragm

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

OpenAI's model connecting vision and language. Enables zero-shot image classification, image-text matching, and cross-modal retrieval. Trained on 400M image-text pairs. Use for image search, content moderation, or vision-language tasks without fine-tuning. Best for general-purpose image understanding.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Data framework for building LLM applications with RAG. Specializes in document ingestion (300+ connectors), indexing, and querying. Features vector indices, query engines, agents, and multi-modal support. Use for document Q&A, chatbots, knowledge retrieval, or building RAG pipelines. Best for data-centric LLM applications.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Open-source embedding database for AI applications. Store embeddings and metadata, perform vector and full-text search, filter by metadata. Simple 4-function API. Scales from notebooks to production clusters. Use for semantic search, RAG applications, or document retrieval. Best for local development and open-source projects.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Ranks eligible skill candidates with explicit retrieval evidence, capability coverage, and uncertainty. NOT for discovery, authorization, or execution planning.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Pattern for progressively refining context retrieval to solve the subagent context problem

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Open-source embedding database for AI applications. Store embeddings and metadata, perform vector and full-text search, filter by metadata. Simple 4-function API. Scales from notebooks to production clusters. Use for semantic search, RAG applications, or document retrieval. Best for local development and open-source projects.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

OpenAI's model connecting vision and language. Enables zero-shot image classification, image-text matching, and cross-modal retrieval. Trained on 400M image-text pairs. Use for image search, content moderation, or vision-language tasks without fine-tuning. Best for general-purpose image understanding.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Designs retrieval-augmented generation pipelines for document-based AI assistants. Includes chunking strategies, metadata schemas, retrieval algorithms, reranking, and evaluation plans. Use when building "RAG systems", "document search", "semantic search", or "knowledge bases".

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Memory is the cornerstone of intelligent agents. Without it, every interaction starts from zero. This skill covers the architecture of agent memory: short-term (context window), long-term (vector stores), and the cognitive architectures that organize them. Key insight: Memory isn't just storage - it's retrieval. A million stored facts mean nothing if you can't find the right one. Chunking, embedding, and retrieval strategies determine whether your agent remembers or forgets. The field is fragm

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

로컬에 저장한 Slack 대화를 검색하고 기간별 메시지 조회와 정확한 집계를 수행합니다. 데이터가 최신인지 확인하고 필요하면 동기화하거나 스레드를 가져옵니다.

• Slack의 과거 대화를 찾습니다
• 최근 7일간의 메시지를 확인합니다
• 저장된 메시지 수와 순위를 확인합니다

Node.js, Express, Next.js의 API와 데이터 처리를 설계하고 검토합니다. 역할 분리, 데이터베이스 최적화, 캐시와 인증 구현 예시를 제공합니다.

• API를 설계하고 처리 역할을 나눕니다
• 데이터베이스 질의 횟수를 줄입니다
• 데이터 조회에 캐시를 추가합니다

테스트를 먼저 작성하는 절차로 Spring Boot 기능을 추가하고 오류를 수정합니다. 단위 테스트, 웹 계층과 데이터 저장 검증, 통합 테스트 및 커버리지 확인을 다룹니다.

• 테스트부터 Spring Boot API를 추가할 때
• 오류 재발 방지 테스트를 작성할 때
• 데이터 저장과 조회를 검증할 때

사용자나 상황에 맞는 상위 후보를 고르는 추천 및 순위 처리 흐름을 설계합니다. 후보 수집부터 점수 계산, 선택, 기록까지 여섯 단계로 나누고 실행 가능한 코드 틀을 만듭니다.

• 개인화 콘텐츠 전달 설계
• 검색 또는 RAG 결과 재정렬
• 작업 우선순위 결정

PubMed에서 의학·생명과학 문헌을 찾고, 표준 주제어와 조건으로 검색식을 구성합니다. 초록과 서지 정보를 가져오며, 재현 가능한 검색 기록과 API를 통한 지속적인 문헌 확인을 돕습니다.

• 연구 주제와 관련된 의학 논문 찾기
• 주제어와 기간으로 검색식 구성하기
• PMID로 초록과 서지 정보 가져오기

문서·대화·프로젝트 정보를 알맞은 저장 위치로 정리합니다. 로컬 파일, 지식 기반, GitHub 등을 아우르며 중복 확인, 동기화, 검색을 진행합니다.

• 문서와 대화를 지식 기반에 저장
• 중복된 메모 정리
• 여러 저장 위치의 지식 동기화

Qdrant에 텍스트 등의 특징을 벡터로 저장해 유사 검색을 구현합니다. 속성 필터링, AI 답변용 자료 검색, 실시간 추천과 대규모 운영 설정을 지원합니다.

• AI 답변용 참고 자료 검색
• 범주와 날짜로 유사 검색 범위 제한
• 실시간 추천 구현

Chroma로 의미가 비슷한 문서를 찾는 시스템을 구축합니다. 문서와 부가 정보를 저장·갱신하고 조건으로 검색을 좁히며 AI 앱을 시제품으로 만듭니다.

• 의미가 비슷한 문서를 검색할 때
• 검색 자료 기반 AI 답변을 시험할 때
• 문서 데이터를 로컬에 저장할 때

접근할 수 없는 웹페이지를 아카이브나 API 등 다른 경로에서 찾습니다. 실제 본문인지 확인하고 저장 시점과 출처를 남겨 조사에 쓸 수 있는 사본을 제공합니다.

• 403·429 오류가 나는 기사 조사
• 삭제된 페이지의 기록 검색
• API나 RSS로 대체 정보 검색

앱이나 에이전트에 Firecrawl의 웹 검색, 페이지 내용 수집, 구조화된 정보 추출, 브라우저 조작 기능을 추가하도록 선택부터 설정, 구현, 동작 확인까지 안내합니다.

• 앱에 웹 검색 추가
• 알고 있는 URL에서 구조화된 데이터 추출
• 클릭과 양식 입력을 처리 흐름에 추가

YouTube 영상 확보부터 주요 장면 추출, 자막 추가, 내보내기까지 자동화된 흐름으로 진행하여 개별 클립과 하이라이트 영상의 제작 및 편집을 돕습니다.

• YouTube 영상의 주요 장면 추출
• 자막이 포함된 클립 제작
• 하이라이트 영상 제작