jensgeerkens

RAG Showcase — AI skill for Claude Code

AI community

RAG über die n8n-Dokumentation in plain Python, ohne Framework: heading-aware Chunking, austauschbare Embedder, numpy-Vektorsuche, Claude-Antworten mit Citations.

How to install RAG Showcase

This entry records only its repository, not the path inside it, so there is no exact command to give. Open jensgeerkens/rag-showcase and copy the folder into ~/.claude/skills/, or the file into ~/.claude/agents/.

What RAG Showcase does

RAG über die n8n-Dokumentation in plain Python, ohne Framework: heading-aware Chunking, austauschbare Embedder, numpy-Vektorsuche, Claude-Antworten mit Citations. Eigenes Eval-Set (101 Queries, Recall@k, MRR), 25 Offline-Tests. Stufe 1 gebaut, Hybrid Search und Agentic geplant.

Alternatives in AI

  • Hindsight — State-of-the-art long-term memory for AI agents by Vectorize 6.7k ★
  • Open Researcher — 🔥 Visual AI research assistant that displays real-time thinking, provides split-view analysis, and automatic 634 ★
  • Karpathy LLM Wiki — Agent Skills-compatible LLM wiki for Claude Code, Cursor, and Codex 618 ★

README

n8n-Doku-Helpdesk: RAG mit messbarer Retrieval-Qualität

Ein Retrieval-Augmented-Generation-System über der offiziellen n8n-Dokumentation (AI-/LangChain-Nodes), aufgebaut in getrennten Ausbaustufen. Im Mittelpunkt steht nicht eine Chat-Oberfläche, sondern die messbare Retrieval-Qualität: Jede Stufe wird gegen dasselbe Eval-Set gemessen, und die Evaluationstabelle unten wächst mit jeder gemessenen Stufe.

**Stand:** Stufe 1 (Baseline) ist gebaut, getestet und mit einem lexikalischen Embedder gemessen. Alle weiteren Stufen sind geplant und noch nicht umgesetzt.

Was das Projekt zeigt

  • Eval-getriebenes Vorgehen: eigenes Eval-Set mit 101 Queries über 93 Ziel-Dateien, Metriken Recall@k und MRR, Retrieval und Generation getrennt betrachtet.
  • RAG ohne Framework: Chunking, Embedding, Vektorsuche, Retrieval und Eval in plain Python (rund 400 Zeilen in 9 Modulen), jede Komponente einzeln testbar und austauschbar.
  • Offline testbar: 25 pytest-Tests laufen ohne API-Keys und ohne Kosten, weil ein deterministischer Fake-Embedder als Adapter dient.
  • Zitierfähige Antworten: Generierung über die Search-Result-Blöcke der Claude API mit aktivierten Citations.
  • Nachvollziehbare Fehleranalyse: dokumentierter Baseline-Fehler mit Ursache und Hypothese, welche Technik der nächsten Stufe ihn beheben soll.

Architektur (Stufe 1: Baseline)

Markdown-Korpus ──> Chunking ──> Embedding ──> Vektor-Index (numpy, Cosine)
                    (heading-aware,             │
                     350 Wörter, 50 Overlap)    │
Frage ──> Embedding ──> Top-k Retrieval ────────┘
                              │
                              └──> Claude (Search-Result-Blöcke + Citations)

Bewusste Entscheidungen der Baseline:

  • Kein Framework. Genau die Teile, die Frameworks verstecken, sind hier sichtbar und einzeln getestet.
  • Heading-aware Chunking. Markdown wird entlang der Überschriften zerlegt, Code-Blöcke werden dabei nicht zerschnitten. Lan