SkillFoxx
Telegram

RAGU — плагин

Плагин ragu-build опрашивает про задачу и собирает конфигурацию графового RAG: граф знаний из текста и поиск по нему.

  • 145 ★ репозитория
  • Последний коммит
Плагин

Расширенный доступ

Почему такой уровень

  • Сгенерированный скрипт запускает извлечение через модель и может отправлять ваши документы внешнему API.
Все причины и проверки

raguteam/raguАвтор:RaguTeam

Установка

Работает в

В терминале, через SkillFoxx CLI

npx skillfoxx add plugins/ragu

Определит агенты на машине, покажет уровень доступа и зафиксирует версию.

Другие способы установки

Доступ и проверки

Как мы проверяем

Расширенный доступИнструмент запускает код или ходит в сеть, а внешние данные только читает.

  • Сгенерированный скрипт запускает извлечение через модель и может отправлять ваши документы внешнему API.

Это чужой код. Посмотрите файлы в репозитории перед установкой.

Что делает

RAGU (Retrieval-Augmented Graph Utility) строит граф знаний из необработанного текста и отвечает на вопросы по нему. Плагин ragu-build из этого репозитория проводит короткое интервью: агент сам собирает сведения о проекте и корпусе (расширения файлов, число файлов, размер), затем выбирает подходящий конвейер RAGU. На выходе два файла: `ragu_build.yaml` с принятыми решениями и обоснованием и рабочий скрипт `build_<name>.py`. Скрипт проверяется утилитой `scripts/validate_build.py`. Агент опирается на карту модулей и читает только нужные README, а не исходный код библиотеки.

Для кого. Разработчикам и исследователям, которые строят вопросно-ответные системы по своим документам и не хотят вручную подбирать чанкер, экстрактор и хранилище.

Подходит, если

  • Есть папка с документами, и надо понять, какой поиск взять: локальный, глобальный или смешанный.
  • Начинается проект с графом знаний на русскоязычных текстах, где пригодится онтология NEREL.
  • Агент должен выдать запускаемый скрипт сборки и записать причины выбора компонентов.
  • Команда сравнивает варианты хранилищ графа и векторов и фиксирует решение в YAML.

Не подходит, если

  • Нужен обычный векторный поиск по чанкам без графа: проще взять простые библиотеки RAG.
  • Корпус крошечный, и граф знаний не окупит затрат на извлечение сущностей.
  • Нет доступа к модели для извлечения и эмбеддингов ни локально, ни через API.

Пример запроса к агенту

Опроси меня про корпус документов в папке `docs/` и собери конфигурацию RAGU, затем сгенерируй `build_docs.py` и проверь его валидатором.

Ограничения

Плагин собирает конфигурацию и скрипт, но сам граф строит библиотека `graph_ragu`, которую ставят отдельно, нужен Python 3.10 или новее. Извлечение сущностей и связей использует языковую модель через API или локальные модели (`pip install graph_ragu[local]`), это стоит токенов и времени. Онтология NEREL содержит 29 типов сущностей и 49 типов связей. Установочной команды плагина в README нет: его папку `.agents/skills/ragu-build` подключают вручную или через файл marketplace репозитория.

Как отключить. Уберите папку `ragu-build` из каталога навыков агента или отключите плагин средствами агента. Библиотеку удалите менеджером пакетов, а сгенерированные `ragu_build.yaml` и скрипты оставьте или удалите вручную.

Частые вопросы

Что выдает плагин ragu-build?

Два файла: `ragu_build.yaml` с решениями и обоснованием и рабочий `build_<name>.py`. Скрипт проверяется валидатором из папки скилла.

Как поставить саму библиотеку?

Командой `pip install graph_ragu`. Для локальных моделей через transformers есть вариант `pip install graph_ragu[local]`.

На каком языке идет интервью?

На языке, на котором пишет пользователь. Названия файлов и код остаются английскими.

Какие виды поиска есть в RAGU?

Локальный по окрестностям графа, глобальный по сводкам сообществ, наивный по векторам чанков и смешанный движок.

Есть ли документация на русском?

Да, обзор компонентов, онтологии NEREL и модели извлечения RAGU-lm есть в английской и русской версиях в папке `docs/`.

Обсуждение

Вопросов и отзывов пока нет.

Плагины

Семантический поиск по коду, память между сессиями и проверка команд для OpenCode. Работает локально, есть режимы MCP и CLI

ПлагинРасширенный доступ62

Плагин Claude Code и Codex с локальной базой исходников RuvNet: агент находит нужный инструмент и показывает файл с его кодом.

ПлагинРасширенный доступ83

Команда ak ставит, чинит и проверяет ruflo и agentic-qe, добавляет офлайн-базу RuvNet Brain и связывает Claude Code с Codex

CLIРасширенный доступ61

Плагин с локальным индексом документов и кода: гибридный поиск по смыслу и словам, граф зависимостей и три агента-помощника

ПлагинРасширенный доступ120

Плагин ведет разработку по спецификации: шесть этапов, роли подагентов и журнал решений, каждый этап утверждает человек.

ПлагинРасширенный доступ87

Личная вики на LLM: граф знаний, RAG с цитатами и память, а MCP-сервер отдает их Claude Code, Claude Desktop и Cursor

MCP-серверРасширенный доступ276

Коротко о README

Библиотека рассчитана на путь от ноутбука к серверу без переписывания кода: пакетная асинхронная работа, ограничение частоты запросов к моделям и разные хранилища графа и векторов. В примере показана сборка графа с клиентом OpenAI, чанкером и двухэтапным экстрактором.

Бейдж для README

Исходный SKILL.md

---

name: ragu-build
description: Interview the user about their RAGU use case, select an appropriate RAGU pipeline, and generate a validated ragu_build.yaml plus a runnable build_<name>.py script.

---

# Assembling a RAGU build

Goal: determine what the user actually needs through a short interview, then produce two artifacts:

* `ragu_build.yaml` — the recorded decisions and rationale;
* `build_<name>.py` — a working RAGU build script.

The RAGU library is already documented: every module ships a `README.md` describing its role in the pipeline and providing examples.

This skill is a **decision process and navigation map**, not a retelling of that documentation.

**Do not read module sources unless explicitly allowed below. Do not summarize whole READMEs.**
Read narrowly, guided by `references/module-map.md`.

Conduct the interview in whatever language the user writes in.

## Skill resources

All paths under:

* `references/`
* `assets/`
* `scripts/`

are relative to **this skill's own directory**, not to the user's project root.

Resolve the skill directory using whatever mechanism the current agent environment provides. Never assume that the skill lives inside the user's repository or that its resources are reachable through paths relative to the current working directory.

---

# Phase 0. Inventory

Before asking the user anything, infer everything that can reasonably be discovered from the project.

This removes unnecessary interview questions.

## 0.1 Read the module map

Сообщить о проблеме