view --main ingesting-rag-content-avtomatizirovannyy-protsess-indeksatsii-dokumentov.md

Ingesting RAG Content — Автоматизированный процесс индексации документов

Решение ingesting-rag-content автоматизирует процесс индексации новых PDF-документов в векторную базу данных Qdrant для приложений с извлечением информации на основе генерации (RAG). Это позволяет быстро интегрировать новые знания в существующую систему, обеспечивая актуальность и точность ответов. Инструмент разработчика значительно упрощает управление контентом и повышает эффективность работы с большими объемами информации.

В основе работы лежит автоматизация обработки PDF-файлов, включая разбиение на фрагменты с использованием стратегии "родитель-потомок" (Parent-Child chunking) для оптимизации поиска. Интеграция с Qdrant обеспечивает эффективное хранение и поиск векторных представлений документов, а также упрощает дальнейшую обработку данных с использованием Python.

Данный open-source решение предназначено для ситуаций, когда необходимо оперативно добавлять новые материалы (например, PDF) в библиотеку знаний проекта или когда агенты обнаруживают новую информацию, требующую постоянного хранения и использования. Для работы требуется среда Python 3.10+ с активной средой cursor-factory и доступ к целевой директории с документами.

$ git log --oneline --stat

⭐ звёзды: 4

форки: 1

обновлено: 23 марта 2026 года в 18:43

Проводник файлов

3 файлы

SKILL.md

references

rag-architecture.md 1.1 KB

scripts

validate_ingestion.py 923 B

SKILL.md

readonly --- lines

--- agents: - ai-app-developer category: retrieval description: 'Specialized skill for ingesting rag content ' knowledge: - best-practices.json name: ingesting-rag-content related_skills: - retrieving-rag-context templates: - none tools: - antigravity-rag type: skill version: 1.1.0 references: - none settings: auto_approve: false retry_limit: 3 timeout_seconds: 300 safe_to_parallelize: false orchestration_pattern: routing --- # Ingesting RAG Content Automated process for indexing new documents into the factory's Qdrant vector store using standardized Parent-Child retrieval patterns. ## Prerequisites - Python 3.10+ environment with `cursor-factory` env active. - Access to `D:/ebooks` or target document path. - `antigravity-rag` MCP server active (configured in `%USERPROFILE%.geminiantigravitymcp_config.json`). ## When to Use - When new reference materials (PDF) are added to the project. - When an agent discovers new domain knowledge that needs to be persistent. ## Process 1. **Identify source**: Locate the PDF to be ingested. 2. **Call tool**: Use `@tool mcp_antigravity-rag_ingest_document` with the absolute path. 3. **Monitor logs**: Ensure the Parent-Child splitting (chunking) completes successfully. 4. **Verify**: Call `list_library_sources` to confirm registration. ## Level 3 Resources ### Scripts - `scripts/validate_ingestion.py`: Runs a health check on the Qdrant `ebook_library` collection. - `scripts/ai/rag/rag_optimized.py`: The core ingestion engine logic. ### References - `references/rag-architecture.md`: Explains the Parent-Child chunking strategy and Qdrant storage schema. ## Important Rules - **PDF Only**: In the current optimized version, only PDF documents are supported for Parent-Child splitting. - **UTF-8 Only**: Ensure environment variables (`$env:PYTHONIOENCODING="utf-8"`) are set. - **Incremental indexing**: The system supports adding to existing Qdrant collections. - **Local Embeddings**: Uses `BAAI/bge-small-en-v1.5` (via FastEmbed) for performance. ## Best Practices - **Recursive Splitting**: Always use recursive character splitting to maintain paragraph integrity. - **Absolute Paths**: Store absolute paths in metadata to ensure reliable document opening. - **Validation**: Run `scripts/validate_ingestion.py` after bulk ingestion. ```

Инициализация мануала...

$ ls -R related_skills/

2026-03-31 ⭐ 45

⭐ 4 | 🍴 1

gitwalter

// Verified Repository Master Account

$ gh browse

$ install --global skills.sh

npx skills add https://github.com/gitwalter/antigravity-agent-factory/tree/main/.agent/skills/retrieval/ingesting-rag-content

$ download --local man

[HINT] Скачивает всю директорию скилла с GitHub: SKILL.md и все связанные файлы

Ingesting RAG Content — Автоматизированный процесс индексации документов

$ ls -R related_skills/

Chef Assistant — Помощник для приготовления пищи с советами

bring-rezepte — CLI для поиска рецептов и управления списками покупок

go-bubbletea-patterns — Библиотека шаблонов для Bubbletea

Vip Nurture — Автоматизация email для VIP клиентов