RAG Workflows

iterative-retrieval est un modèle de workflow qui permet d’affiner progressivement la récupération de contexte dans les tâches agentiques. Il aide les sous-agents à éviter d’avoir trop peu ou trop de contexte, ce qui le rend utile pour l’usage de iterative-retrieval, la prise de décision d’installation et iterative-retrieval pour l’automatisation de workflows.

vector-index-tuning aide à optimiser les index de recherche vectorielle en termes de latence, de rappel et de mémoire. Utilisez cette skill pour choisir les types d’index, ajuster les paramètres HNSW et comparer les options de quantification pour les workflows RAG.

rag-implementation est une skill pratique pour concevoir des systèmes RAG avec bases vectorielles, embeddings, schémas de retrieval et workflows de réponses fondées sur les sources. Utilisez-la pour comparer les options de stack, orienter les choix d’architecture et guider l’installation ainsi que l’usage pour la Q&A documentaire, les assistants de connaissance et la recherche sémantique.

similarity-search-patterns vous aide à choisir les métriques de distance, les types d’index et les approches de récupération hybride pour la recherche sémantique et les workflows RAG. Utilisez-le pour arbitrer les compromis d’une recherche vectorielle en production entre rappel, latence et passage à l’échelle.

La compétence hybrid-search-implementation montre comment combiner la recherche vectorielle et lexicale avec RRF, la fusion linéaire, le reranking et des schémas en cascade pour des systèmes de RAG et de recherche.

langchain-architecture est un guide de conception pour créer des applications LangChain 1.x et LangGraph. Il aide à choisir entre les patterns de chaînes, d’agents, de retrieval, de mémoire et d’orchestration avec état avant l’implémentation.

embedding-strategies vous aide à choisir et optimiser des modèles d’embedding pour la recherche sémantique et les workflows RAG, avec des conseils concrets sur le chunking, les compromis entre modèles, le contenu multilingue et l’évaluation de la récupération.

azure-search-documents-ts aide les développeurs backend à créer des solutions Azure AI Search avec le SDK @azure/search-documents. Utilisez-le pour la création d’index, l’import de documents, ainsi que la recherche par mots-clés, vectorielle, hybride et sémantique, sans oublier la configuration des identifiants et de l’environnement. C’est un guide pratique azure-search-documents-ts pour le développement backend.

azure-ai-contentunderstanding-py est le skill Python pour Azure AI Content Understanding. Il extrait du contenu structuré à partir de documents, d’images, d’audio et de vidéos pour les workflows RAG et l’automatisation. Utilisez-le lorsque vous avez besoin d’une extraction multimodale fiable, de l’authentification Azure et d’une sortie répétable, prête pour les pipelines.