Semantic Search

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.

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.

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.

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.

azure-search-documents-ts hilft Backend-Entwicklern dabei, Azure AI Search-Lösungen mit dem @azure/search-documents SDK zu erstellen. Verwenden Sie es für die Indexerstellung, das Hochladen von Dokumenten sowie Keyword-, Vektor-, Hybrid- und semantische Suche, plus für die Einrichtung von Anmeldedaten und Umgebung. Es ist ein praxisnaher Leitfaden zu azure-search-documents-ts für die Backend-Entwicklung.

azure-search-documents-py ist der Python-Skill für Azure AI Search im Backend-Umfeld und deckt Installation, Authentifizierung, Indexdesign, Vektorsuche, hybride Suche, semantisches Ranking und agentisches Retrieval ab. Nutzen Sie den azure-search-documents-py Skill, wenn Sie praxisnahe Orientierung vom Setup bis zu funktionierenden Query-Mustern benötigen.

azure-search-documents-dotnet ist ein .NET-Skill für Azure AI Search. Er hilft Backend-Entwicklern, die passenden Clients auszuwählen, das SDK zu installieren und azure-search-documents-dotnet für Volltext-, semantische, Vektor- und Hybrid-Suche korrekt einzusetzen – mit klaren Hinweisen zu Indexierung, Abfragen und Authentifizierung.