by PromptSpace
हर क्वेरी के लिए सही रिट्रीवल रणनीति तैयार करता है — आपके एजेंट को यह सिखाता है कि हर चीज़ के लिए वेक्टर सर्च पर निर्भर रहने की बजाय RAG, नॉलेज ग्राफ, या टेम्पोरल इंडेक्स का उपयोग कब करना है।
₹840 ($10)
One-time purchase
by PromptSpace
हर क्वेरी के लिए सही रिट्रीवल रणनीति तैयार करता है — आपके एजेंट को यह सिखाता है कि हर चीज़ के लिए वेक्टर सर्च पर निर्भर रहने की बजाय RAG, नॉलेज ग्राफ, या टेम्पोरल इंडेक्स का उपयोग कब करना है।
₹840 ($10)
One-time purchase
⚡ Skill ready to install in Claude Code, Gemini CLI, or any MCP-compatible client. Read the install guides →
यह स्किल क्या करती है
अधिकांश RAG सिस्टम चुपचाप विफल हो जाते हैं — इसलिए नहीं कि मॉडल कमज़ोर है, बल्कि इसलिए कि रिट्रीवल आर्किटेक्चर यह मान लेता है कि हर क्वेरी एक लुकअप है। यह स्किल आपको हाइब्रिड कॉन्टेक्स्ट लेयर डिज़ाइन करना सिखाती है जो रिट्रीवल रणनीति को क्वेरी के प्रकार से मेल खाती है, ताकि आपके एजेंट को हर बार सही प्रकार का कॉन्टेक्स्ट मिले।
यह किन समस्याओं को हल करती है
RAG-for-everything का जाल — रिलेशनल और टेम्पोरल क्वेरीज़ को वेक्टर सर्च के ज़रिए रूट करने से साइलेंट स्ट्रक्चरल फेलियर, महंगा रीरैंकिंग, और ऐसे उत्तर मिलते हैं जो अधिक कॉन्टेक्स्ट जोड़ने पर और खराब होते जाते हैं।
मल्टी-हॉप ब्लाइंडनेस — "कौन सी टीमें उन सेवाओं की मालिक हैं जो deprecated API पर निर्भर हैं?" एक एंटिटी-ट्रैवर्सल क्वेरी है, लुकअप नहीं। Vector RAG इसका सटीक उत्तर नहीं दे सकता।
संगठनात्मक कार्य-कारण का अभाव — "इस घटना का कारण कौन से निर्णय बने?" जैसे प्रश्नों के लिए एक टेम्पोरल इवेंट ग्राफ चाहिए, न कि कोई डॉक्युमेंट चंक।
कॉन्टेक्स्ट-रीज़निंग मिसमैच — अच्छा कॉन्टेक्स्ट जब कमज़ोर रीज़निंग टियर को रूट किया जाए, या बिना कारण-संरचना के लंबा कॉन्टेक्स्ट हो, तो बड़े पैमाने पर हैलुसिनेशन उत्पन्न होती है।
आपको क्या मिलता है
यह स्किल एक तीन-लेयर कॉन्टेक्स्ट मॉडल परिभाषित करती है:
Layer 1 — Factual Store (Vector RAG): सिंगल-फैक्ट, सिंगल-डॉक्युमेंट पॉइंट क्वेरीज़ — एकमात्र मामला जहाँ RAG संरचनात्मक रूप से सही है।
Layer 2 — Relational Store (Knowledge Graph): एंटिटी रिलेशनशिप, डिपेंडेंसी चेन, और मल्टी-हॉप क्वेरीज़ जिनके लिए लिंक्ड नोड्स के पार ट्रैवर्सल आवश्यक है।
Layer 3 — Temporal/Episodic Store (Timeline Index): इवेंट सीक्वेंस, कारण-आधारित निर्णय श्रृंखलाएं, और "हम यहाँ कैसे पहुँचे" जैसी क्वेरीज़ जिनके लिए टाइमस्टैम्प्ड संरचना आवश्यक है।
आपको एक क्वेरी राउटर डिसीज़न ट्री भी मिलता है — एक ठोस वर्गीकरण चरण जो हर आने वाली क्वेरी को किसी भी रिट्रीवल से पहले सही लेयर पर रूट करता है, साथ ही RAG-only सिस्टम से माइग्रेट हो रही टीमों के लिए एक चरणबद्ध इम्प्लीमेंटेशन रोडमैप भी।
इसका उपयोग किसे करना चाहिए
वे टीमें जो एंटरप्राइज़ नॉलेज बेस, आर्किटेक्चर डिसीज़न रिकॉर्ड, इंसिडेंट हिस्ट्री, या किसी भी संगठनात्मक सिस्टम पर AI एजेंट बना रही हैं जहाँ एजेंट को केवल फैक्ट लुकअप नहीं, बल्कि रिलेशनल या कारण-आधारित प्रश्नों के उत्तर देने होते हैं।
mkdir -p ~/.claude/skills/designing-hybrid-context-layers && curl -s -X POST 'https://api.promptspace.in/api/skills/designing-hybrid-context-layers/install' | python3 -c "import sys,json; sys.stdout.write(json.load(sys.stdin).get('installInstructions') or '')" > ~/.claude/skills/designing-hybrid-context-layers/SKILL.mdFree skills install directly. Paid skills require purchase - use the download button above after buying.
Security Scanned
Passed automated security review
No special permissions declared or detected
OpenClaw, Cursor, Claude Code, Codex CLI
PromptSpace
We build AI agent skill packages for content creators. Specializing in Chinese social media automation.