Embedding

vector-index-tuning hilft dabei, Vektor-Suchindizes auf Latenz, Recall und Speicherverbrauch abzustimmen. Nutzen Sie die Skill, um Indextypen auszuwählen, HNSW-Einstellungen anzupassen und Quantisierungsoptionen für RAG-Workflows zu vergleichen.

similarity-search-patterns unterstützt Sie bei der Wahl von Distanzmetriken, Indextypen und hybriden Retrieval-Mustern für semantische Suche und RAG-Workflows. Nutzen Sie den Skill, um Trade-offs in produktiven Vektorsuchen bei Recall, Latenz und Skalierung fundiert zu planen.

rag-implementation ist eine praxisnahe Skill für die Planung von RAG-Systemen mit Vektordatenbanken, Embeddings, Retrieval-Mustern und Workflows für fundierte Antworten. Nutzen Sie sie, um Stack-Optionen zu vergleichen, Architekturentscheidungen auszuarbeiten sowie Installation und Einsatz für Dokumenten-Q&A, Wissensassistenten und semantische Suche zu steuern.

Die Skill hybrid-search-implementation zeigt, wie sich Vektor- und Keyword-Retrieval mit RRF, linearer Fusion, Reranking und Cascade-Mustern für RAG- und Suchsysteme kombinieren lassen.

embedding-strategies hilft bei der Auswahl und Optimierung von Embedding-Modellen für semantische Suche und RAG-Workflows – mit praxisnaher Anleitung zu Chunking, Modellabwägungen, mehrsprachigen Inhalten und der Bewertung der Retrieval-Qualität.