AB pinecone-rag
Создавайте продакшн-пайплайны RAG и постоянную память агента, используя Pinecone в качестве бэкенда векторной базы данных. ВСЕГДА ИСПОЛЬЗУЙТЕ ЭТОТ НАВЫК, когда пользователь упоминает Pinecone, хочет индексировать документы для семантического поиска, создать систему дополненной генерации с извлечением данных, хранить память агента между сессиями, реализовать гибридный поиск или подключить LLM к базе знаний с возможностью поиска — даже если он явно не говорит «Pinecone». Также используйте, когда пользователь спрашивает о векторных базах данных для RAG, изоляции пространств имен для мультиарендных агентов, пайплайнах встраивания или масштабировании базы знаний за пределы возможностей локального хранилища. НЕ используйте для локальных векторных хранилищ (Chroma, FAISS, pgvector) или чистого поиска по ключевым словам без семантического компонента.
машинный переводПоказать оригиналСкрыть оригинал«Build production RAG pipelines and persistent agent memory using Pinec…»
Build production RAG pipelines and persistent agent memory using Pinecone as the vector database backend. ALWAYS USE THIS SKILL when the user mentions Pinecone, wants to index documents for semantic search, build a retrieval-augmented generation system, store agent memory across sessions, implement hybrid search, or connect an LLM to a searchable knowledge base — even if they don't say "Pinecone" explicitly. Also use when the user asks about vector databases for RAG, namespace isolation for multi-tenant agents, embedding pipelines, or scaling a knowledge base beyond what local storage can handle. DO NOT use for local-only vector stores (Chroma, FAISS, pgvector) or pure keyword search with no semantic component.
Создавайте продакшн-пайплайны RAG и постоянную память агента, используя Pinecone в качестве бэкенда векторной базы данных.
Как процесс B 67/100 · Почти готов — слабые места: результат и критерий готовности, отчётность по ходу
Как улучшить
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 1. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 67/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
- 55Ошибки и развилки. Развилок: 1
- 60Инструменты и файлы. Используются инструменты (web), но во frontmatter они не объявлены
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 85Шаги. Шагов: 9, расплывчатых формулировок: 1
- 100Когда включается. Сказано, когда применять и когда не применять
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 2193 токенов
- 100Повторный запуск. Изменяющих операций нет
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +5В description нет примеров фраз, по которым скилл должен срабатывать
- +3Формат ответа не описан: модель каждый раз решает сама
- +2Инструкции на одном языке
- +4Описание говорит, когда скилл НЕ применять
- +3Длина description 720 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 13 заголовков
- +3Пошаговые инструкции: 9 пунктов
- +4Есть примеры (9 блоков кода)
- +1Лицензия указана
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 89.