rag-blueprint

RAG Blueprint — официальный skill NVIDIA для развёртывания, настройки, запуска, отключения и устранения проблем в NVIDIA RAG Blueprint. Исходный SKILL.md описывает работу в нескольких формах окружения: Docker и Docker Compose, Kubernetes и Helm, а также библиотечные Python-сценарии. Skill подходит, когда задача связана не только с ответом на вопрос о RAG, но и с конкретным lifecycle-действием: deploy, install, start, configure, enable, disable, toggle, troubleshoot, debug, fix, shutdown, stop или tear down. Карточка не превращает эти слова в гарантию результата: каждую операцию нужно связать с реальной конфигурацией проекта и проверить после выполнения. Перед началом источник требует доступный checkout репозитория NVIDIA RAG Blueprint. Для контейнерного варианта нужны Docker или Docker Compose; для кластерного — Kubernetes и Helm; для библиотечных workflow указан Python 3.11 или новее. Self-hosted NIM-сценарии требуют NVIDIA GPU tooling, поэтому наличие skill не означает, что любой ноутбук или сервер сможет выполнить такой запуск. Эти prerequisites являются частью применимости карточки: если нет репозитория, нужного оркестратора, Python-окружения или GPU-инструментов для выбранного сценария, сначала нужно устранить соответствующее ограничение, а не маскировать его общим текстом о RAG. Workflow начинается с определения намерения. Для deploy, install, setup и start используется playbook развёртывания; для configure, enable, change и toggle — конфигурационная часть; для troubleshoot, debug, error, unhealthy и fix — playbook диагностики; для stop, shutdown, tear down и clean up — отдельная процедура остановки. Исходный документ требует сначала прочитать ссылочный playbook, использовать repository docs и deployment config как источник истины и после изменения проверить затронутый сервис или workflow. Это делает навык пригодным для управляемой эксплуатации: решение опирается на конкретные файлы и состояние окружения, а не на универсальную команду, одинаковую для Docker, Helm и Python. В инструкции отдельно закреплён принцип autodetect: до действия нужно проверить доступность GPU, VRAM, драйверов, Docker, CUDA, диска, операционной системы, портов, существующих сервисов, NGC key, состояния репозитория и текущего окружения. При этом skill не отменяет подтверждения опасных операций. Пользовательское действие требуется, если отсутствует API-ключ, нужно подтвердить удаление данных или выбрать между равнозначными вариантами. Для наблюдения за сервисами источник перечисляет read-only проверки Docker, kubectl, helm, oc, nvidia-smi, сетевых сокетов, диска и процессов; конкретный набор зависит от выбранного deployment workflow. Граница карточки — управление NVIDIA RAG Blueprint, а не общий обзор всех RAG-систем. Навык не подтверждает качество retrieval, релевантность ответов, стоимость inference или совместимость произвольной модели без проверки deployment-конфигурации. Он также не заменяет документацию самого репозитория: источник прямо требует обращаться к repository docs и config, а после операции проверять affected service/workflow. Практический сценарий выглядит так: определить intent, проверить prerequisites и текущее состояние, открыть соответствующий playbook, выполнить минимальное действие в поддерживаемом окружении, затем сверить health и логи. При недостатке prerequisites корректный результат — остановиться с объяснением ограничения. В frontmatter исходника зафиксированы версия 2.6.0, Apache-2.0, автор NVIDIA RAG и связанный URL репозитория NVIDIA RAG Blueprint; также перечислены Python, TypeScript и shell, FastAPI, LangChain, React, Docker Compose и Helm как контекст совместимости skill. Эти сведения описывают ожидаемый рабочий контекст, но не являются обещанием, что каждый компонент включён в любое развёртывание. Карточка сохраняет это различие: она объясняет, где искать следующий workflow и какие проверки сделать, но не выдумывает порты, модели, секреты, hardware-профили или успешный результат до фактической проверки конкретного окружения.